Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом

Вид материала

Автореферат диссертации

Содержание Гордеев Александр Сергеевич Общая характеристика работы Целью работы Объект исследований Методика исследований. Научная новизна работы Научная гипотеза. Рабочая гипотеза. Практическая значимость работы На защиту выносятся Реализация результатов исследований. Апробация работы. Публикация результатов работы. Содержание работы Первая глава J- функционал;Q P c предполагаемыми значениями параметров и условий: (P Ошибка представления исходной информации Е может быть представлен в виде суммы вектора действительных значений Е В третьей главе ... Полное содержание

Подобный материал:

• Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем, 246.53kb.
• Совершенствование организационно-экономического механизма управления землями сельскохозяйственного, 337.61kb.
• Выбор специализации сельскохозяйственного предприятия на основе предельных издержек, 417.72kb.
• Урока по физической культуре для учащихся 7 класса Тема: «Совершенствование техники, 57.18kb.
• Министерство общего и профессионального образования, 1351.17kb.
• Примерные программы Специальные дисциплины примерная программа дисциплины основы сельскохозяйственного, 1349.6kb.
• Автоматизированные системы мониторинга электропотребления и расчеты режимов электрических, 96.36kb.
• Тематика выпускных квалификационных работ по специальности, 69.44kb.
• Российской Таможенной Академии методологические рекомендации по соврешентсвованию системы, 213.26kb.
• Хаматова Р. М., Валиуллина Г. Ш. Своевременный анализ взаимосвязей природного комплекса, 25.31kb.

ЧУВИЛКИН АЛЕКСАНДР ВИКТОРОВИЧ

«СОВЕРШЕНСТВОВАНИЕ ПРОГНОЗИРОВАНИЯ

ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО

ПРЕДПРИЯТИЯ НЕЙРОСЕТЕВЫМ МЕТОДОМ»

05.20.02 – электротехнологии и электрооборудование

в сельском хозяйстве

технические науки

ДМ 220.041.03

Мичуринский государственный аграрный университет

393760, Тамбовская область, г. Мичуринск, ул. Интернациональная, 101

тел. 5-31-37

Дата защиты диссертации – 16 декабря 2011 года


На правах рукописи


ЧУВИЛКИН Александр Викторович


СОВЕРШЕНСТВОВАНИЕ ПРОГНОЗИРоВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ НЕЙРОСЕТЕВым МЕТОДом


Специальность 05.20.02 – Электротехнологии и электрооборудование в сельском хозяйстве


Автореферат

диссертации на соискание ученой степени

кандидата технических наук


Мичуринск – наукоград РФ

2011

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Мичуринский государственный аграрный университет»

Научный руководитель: Официальные оппоненты: Ведущая организация:

доктор технических наук, профессор Гордеев Александр Сергеевич доктор технических наук, профессор Гришин Иван Иванович кандидат технических наук, профессор Набатов Константин Александрович федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Саратовский государственный технический университет»

Защита состоится «16» декабря 2011 г. в 13⁰⁰ часов на заседании диссертационного совета ДМ 220.041.03 при Мичуринском государственном аграрном университете по адресу: 393760, г. Мичуринск, ул. Интернациональная,101, зал заседаний диссертационного совета.


С диссертацией можно ознакомиться в библиотеке университета ФГБОУ ВПО МичГАУ, с авторефератом - на сайтах Высшей аттестационной комиссии Министерства образования и науки Российской Федерации vak.ed.gov.ru и ФГБОУ ВПО МичГАУ www.mgau.ru.


Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять ученому секретарю диссертационного совета по адресу: 393760, г. Мичуринск, ул. Интернациональная,101.


Автореферат разослан « » ноября 2011 года.


Ученый секретарь

диссертационного совета,

кандидат технических наук, доцент Михеев Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

В структуре энергетических затрат на производство сельскохозяйственной продукции в Российской Федерации доля электрической энергии достигает 11%-13%. Из-за относительно небольшого электропотребления сельскохозяйственные предприятия являются участниками розничного рынка электроэнергии. 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. При отклонении фактического объема потребленной электрической энергии относительно договорного на предприятие накладываются штрафные санкции.

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

Поэтому важное значение для сельскохозяйственного предприятия имеет прогнозирование электропотребления, что на сегодняшний день является актуальной научной и практической задачей.

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

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

Работа выполнялась в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Мичуринский государственный аграрный университет» в соответствии с Межведомственной координационной программой фундаментальных и приоритетных прикладных исследований по научному обеспечению развития агропромышленного комплекса Российской Федерации на 2006-2010 гг. по проблеме IX «Научное обеспечение повышения машинно-технологического и энергетического потенциала сельского хозяйства России», а также в рамках государственного контракта № 2009-1.1-000-082 по теме «Разработка системы энергетического менеджмента на предприятиях АПК» (2009-2011 гг.).

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:

• 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%.
  
• 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.
  
• 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 продукции;

- методика 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 области; СПК «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 «Инновационно - техническое обеспечение ресурсосберегающих технологий в АПК» г. Мичуринск, 2009; научно- практической 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 2010г.; семинаре «Управление электрохозяйством предприятий агропромышленного комплекса», г. Мичуринск, март 2010г.

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.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы исследования, научная новизна, практическая значимость, изложены цель, объект и предмет исследования, сформулированы основные положения, выносимые на защиту.

Первая глава «Методы прогнозирования электропотребления сельскохозяйственного предприятия» посвящена изучению сельскохозяйственного предприятия как объекта прогнозирования, а также анализу существующих методов прогнозирования электропотребления. Согласно Федеральному закону «Об электроэнергетике», а также «Основным положениям функционирования розничных рынков электрической энергии» в силу своего небольшого электропотребления сельскохозяйственное предприятие является участником розничного рынка электроэнергии (рисунок 1).

При заключении договора с энергосбытовой компанией на поставку электро­энергии энергослужбе пред­приятия необходимо заявлять планируемый объём потреб­ления электрической энергии. За 15 дней до начала следую­щего месяца предприятие вправе корректировать заявленный ранее объём.

О
Рисунок 1. Сельскохозяйственное предприятие в структуре рынка электроэнергии

днако, особенность сельскохозяйственного пред­приятия как потребителя электроэнергии - электропотребление последующего года может значительно отличаться от потреб­ления предыдущего года, что обуславливается влиянием различных условий и па­раметров производства. По результатам проведённого анализа в таблице 1 в качестве примера представлены условия и параметры, которые могут оказывать влияние на электропотребление сельскохозяйственного предприятия.

Таблица 1. Условия и параметры, которые могут оказывать влияние на электропотребление сельскохозяйственного предприятия

Параметры и условия	Обозначение	Наименование параметра	Ед. измерения
Метеороло-гические условия	PUt	температура воздуха	°C
	PUd	атмосферное давление	мм.рт.ст.
	PUV	влажность воздуха	%
	PUs	скорость ветра	м/с
	PUo	количество осадков	мм
Производственные параметры	Основное производство
	Ppz	масса переработанного зерна	кг
	Ppm	масса произведённого молока	кг
	Ppu	масса произведённого мяса	кг
	……………..
	Вспомогательное производство
	Pvgs	расход горюче- смазочных материалов	л
	Pvke	количество потребленного корма	кормовые единицы
	Pvpg	приплод животных	голов
	Pvvg	численность животных	голов
	…………....
Социаль-ные параметры	Pcm	месяц	наименование
	Pcd	количество дней в месяце	ед.
	Pcr	количество рабочих дней	ед.
	……………
Параметры электри-ческой сети	Prc	частота сети	Гц
	Prn	уровень напряжения	%
	…………….

Для анализа электропотребления использовались понятия однопрофильного (выпуск одного вида продукции) и многопрофильного (выпуск нескольких видов продукции) предприятий.

При изучении работы сельскохозяйственного предприятия были выделены следующие его особенности как объекта прогнозирования электропотребления:

- влияние на производство метеорологических условий;

- удалённость электропотребителей предприятия друг от друга;

- графики нагрузки отдельных потребителей имеют сезонный характер;

- производства, корпуса, здания, цеха не имеют отдельных приборов учёта потребляемой электроэнергии;

- достоверность данных по электропотреблению отдельных производств в силу отсутствия приборов учёта электропотребления достаточно низкая, субъективна, а иногда – фальсифицирована.

Под прогнозированием понимается научно обоснованная оценка наиболее вероятного электропотребления сельскохозяйственного предприятия, которое обуславливается входными и выходными параметрами и условиями.

По времени упреждения прогнозы делятся на долгосрочные (несколько лет), среднесрочные (от месяца до года), краткосрочные (от суток до месяца) и оперативные (на несколько минут, следующий час). Для сельскохозяйственных предприятий актуальным является среднесрочный прогноз.

Методы прогнозирования электропотребления - экстраполяции, экспертной оценки, среднего и скользящего среднего, декомпозиции временного ряда, регрессионные модели, рангового анализа и др., позволяют выполнить прогноз с ошибкой более 20%. Например, для метода декомпозиции временного ряда, рисунок 2, ошибка составляет 17-21%.



а б

Рисунок 2. Прогноз электропотребления предприятий методом декомпозиции временного ряда:

а- многопрофильного; б- однопрофильного

Поэтому для прогнозирования электропотребления сельскохозяйственных предприятий было предложено использовать модели на основе нейронных сетей. Для прогнозирования электропотребления целесообразно использовать следующие типы сетей: однослойные сети - линейная сеть; многослойные сети – сеть прямой передачи, динамическая нейронная сеть, каскадная сеть прямой передачи; сеть с обратными связями - сеть Элмана. Например, уравнение динамической нейронной сети прямой передачи сигнала имеет вид:

(1)

Определены функции активации f, которые можно применять при создании нейросетевой модели прогнозирования электропотребления (линейная, логистическая сигмоидальная, гиперболического тангенса).

Для восстановления утерянных, неучтенных, фальсифицированных или полученных с большой ошибкой данных по электропотреблению в работе используются известные динамические модели электротехнических устройств, созданные, например, в пакете прикладных программ Matlab (Simulink/SimPowerSystems). В процессе исследований были разработаны динамические модели сельскохозяйственных объектов – фермы крупного рогатого скота, зернотока, пилорамы, машинотракторной мастерской и др.

В результате вышеизложенного для разработки методики прогнозирования электропотребления сельскохозяйственных предприятий необходимо решить следующие задачи:

- разработать методику формирования и создать информационную базу ретроспективных данных помесячного электропотребления сельскохозяйственных предприятий с учетом параметров и условий производства;

- разработать методику выбора нейросетевой модели и её адаптации к условиям сельскохозяйственного производства для обеспечения заданной ошибки прогноза;

- провести статистический анализ потребления электроэнергии с применением нейросетевой модели в зависимости от параметров и условий производства;

- минимизировать ошибку прогнозирования нейросетевым методом путём совершенствования выбора, подготовки и обработки данных по электропотреблению;

- разработать методику прогнозирования электропотребления и дать рекомендации по её применению на сельскохозяйственном предприятии.

Во второй главе «Теоретические основы минимизации ошибки прогнозирования электропотребления сельскохозяйственного предприятия» представлены результаты теоретических исследований, направленных на снижение ошибки прогнозирования электропотребления сельскохозяйственного предприятия.

В качестве примера на рисунке 3 приведена структурная схема многослойной нейронной модели. Вход Р представляет собой матрицу параметров и условий, количество которых равно числу столбцов (P_u – метеорологические, P_c- социальные, P_r- параметры электрической сети, P_p- параметры, связанные с выпуском основной продукции, P_v- параметры вспомогательных производств). Строки отражают изменение параметров и условий с течением времени t. Сила влияния элементов входа P на нейрон n_ki (i=1,2,…, s) определяется их весом W_ki (i=1,2,…, s), образуя тем самым вектор весов W_к k-го слоя сети:


Р= W_k= . (2)

Каждый нейрон n_1i (i=1…s) первого слоя сети включает суммирующий элемент ∑, который складывает произведение весов W₁ и элемента вектора входа P со смещением b_1i (i=1…s). Полученная сумма является аргументом функции активации f, при этом с каждого нейрона формируется выход a_1i (i=1…s), образуя вектор выхода а_k, k=1.

a_k=1=f(P∙W₁+b₁) (3)

Вектор выхода а_k=1 служит входом для последующего слоя (k=2) и т.д. Выход нейронной сети – электропотребление Е:

E=a₁·a₂·…·a_k. (4)



Рисунок 3. Структурная схема многослойной нейронной модели

Для моделирования электропотребления нейронную сеть необходимо обучить. Для обучения в нейронную сеть необходимо подать набор примеров её желаемого поведения – входной вектор Р (с параметрами и условиями производства) и целевой выход Е (электропотребление). Во время обучения веса и смещения настраиваются так, чтобы минимизировать функционал ошибки. В качестве такого функционала принимается среднеквадратичная ошибка между выходом сети а и целевым выходом электропотребления Е, который определяется обучающей выборкой:

, (5)

где J- функционал;Q- объём выборки; k- номер слоя сети; q- номер выборки; s^k – число нейронов выходного слоя;a^q = [a_i^qk] – вектор сигнала на выходе сети; E^q = [E_i^q] - вектор целевых значений электропотребления на выходе сети для выборки с номером q.

П
Рисунок 4. Прогнозирование электропотребления с применением нейросетевой модели
осле обучения осуществляется прогнозирование (рисунок 4). На вход нейросете­вой модели подаётся матрица P c предполагаемыми значениями параметров и условий: (P_u)_пр, (P_p)_пр, (P_v)_пр, (P_с)_пр, (P_r)_пр. Выход сети представляет собой электропотребление Е, соответ­ствующее данному набору пара­метров во времени t.

Если принять, что результат прогнозирования Е_пр равен электропотреблению Е, тогда величина Е_пр будет складываться из действительного электропотребления и ошибки прогнозирования:

Е_пр=Е_Д+ε_t , (6)

где Е_Д –действительное значение электропотребления;

ε_t –ошибка прогнозирования.

Ошибка прогнозирования ε_t в свою очередь зависит от характеристик сети (её архитектуры, метода обучения и т.д.), а также от качества исходных данных, которые представляют процесс электропотребления с той или иной ошибкой.

Задача минимизации ошибки прогнозирования ε_t в условиях сельскохозяйственного производства может решаться путем:

- минимизации ошибки метода прогнозирования.

- снижения ошибки представления исходных данных по электропотреблению.

Абсолютную ошибку прогнозирования можно вычислить по формуле:

, (7)

где ε_t – ошибка прогнозирования;

Е- исходные данные по электропотреблению;

Е_ПР- прогноз электропотребления.

Ошибка прогнозирования ε_t складывается из ошибки представления исходной информации ε_И и ошибки метода прогнозирования ε_М:

ε_t= ε_И+ ε_М. (8)

Ошибка метода ε_М обусловлена теми математическими основами, которые применяются для создания и обучения модели прогнозирования. Учитывая, что большинство из рассмотренных методов при прогнозировании электропотребления сельскохозяйственного предприятия имеет недопустимо большую ошибку, в данной работе предлагается использовать, исходя из многочисленных публикаций и наших предварительных исследований, метод нейросетевого моделирования.

Ошибка метода прогнозирования с применением нейросетевой модели ε_М складывается из ошибки, определяемой архитектурой нейронной сети ε_АР и ошибки обучения ε_ОБ:

ε_М= ε_АР+ ε_ОБ. (9)

Под архитектурой нейронной сети понимается её структура, состоящая из входного слоя нейронов, блоков функций активации, промежуточных и выходных слоёв нейронов, а также связей между ними. Ошибка, определяемая архитектурой нейронной сети ε_АР, складывается из ошибки, зависящей от типа сети ε_ТС, числа слоёв ε_k, числа нейронов ε_N, функции активации ε_f:

ε_АР= ε_ТС+ ε_k+ ε_N+ ε_f. (10)

Тип сети определяется структурой связей между элементами. Поэтому одной из задач создания метода прогнозирования на основе нейронной сети должно являться исследование ошибки для различных архитектур, т.е. наборов, соотношений, типов связей, методов обучения.

Ошибка обучения ε_ОБ складывается из ошибки алгоритма обучения ε_ОА и ошибки представления исходных данных ε_И:

ε_ОБ= ε_ОА+ ε_И. (11)

Ошибка алгоритма обучения ε_ОА зависит от самого алгоритма обучения, может достигать нескольких процентов. Наиболее распространёнными являются алгоритмы, основанные на методе обратного распространения ошибки.

Ошибка представления исходной информации для прогнозирования ε_И:

ε_И= ε_Э+ ε_П+ ε_У, (12)

где ε_Э- ошибка учёта исходных данных по электропотреблению; ε_П- ошибка в определении параметров производства; ε_У- ошибка в определении условий производства.

Исходные данные по электропотреблению Е и действительные данные Е_Д имеют разное значение, так как в исходных данных заведомо могут содержаться ошибки, вызванные неточностью, фальсификацией, недостоверностью и т.д.

Ошибки в определении параметров ε_П и условий ε_У производства заключаются в том, что исходные данные могут быть искажены или плохо спрогнозированы (увеличено или уменьшено количество производимой продукции, ошибки в определении реальной температуры воздуха, и т.д.).

Исходя из вышеизложенного, абсолютную ошибку учёта исходных данных по электропотреблению можно представить в виде суммы:

ε_Э=ε_Т+ε_О+ ε_Ф+ ε_Х , (13)

где ε_Т- абсолютная ошибка из-за погрешности технических средств учёта электропотребления;ε_О- абсолютная ошибка протоколирования данных, вызванная непреднамеренными действиями энергослужбы предприятия; ε_Ф- абсолютная ошибка протоколирования данных, вызванная преднамеренными действиями энергослужбы предприятия (фальсификация данных); ε_Х- абсолютная ошибка протоколирования данных, вызванная хищениями электроэнергии, которая не учитывается техническими средствами измерения.

Таким образом, целевой вектор электропотребления Е может быть представлен в виде суммы вектора действительных значений Е_Д и вектора ошибок ε_Э.

Е=Е_Д+ε_Э . (14)


Одним из важных этапов в минимизации ошибки нейросетевого прогнозирования электропотребления – это создание обучающей выборки, от состава, полноты, качества которой зависят время обучения и достоверность получаемых моделей. Обучающая выборка содержит целевой вектор Е. Если этот вектор содержит ошибку ε_Е, то алгоритм обучения выдаст вектор весовых коэффициентов с большей ошибкой обучения ε_ОБ.

Поэтому необходима дополнительная проверка информации по электропотреблению на выявление недостоверных данных, что является важным при создании методики прогнозирования.

Реальное электропотребление сельскохозяйственного предприятия, рисунок 5, зависит от времени (сезона). Среднеквадратичные отклонения σ₁ электропотребления E(t), полученные по многолетним данным, с течением времени отличаются в несколько раз, рисунок 6.

Д
Рисунок 6. Среднеквадратичные отклонения σ₁ динамического ряда электропотребления E(t)

Рисунок 5. Пример динамического ряда электропотребления E(t)
ля выявления недостоверных данных по электропотреблению был применён ранговый анализ. Данные по электропотреблению Е(t) по каждому объекту предпри­ятия за период времени t (месяц) приводятся к эмпирическому ран­говому распределению E(r), кото­рое представляет собой убывающую последовательность значений электропотребления Е, упорядоченная таким образом, что каждое последующее значение меньше предыдущего, где r- ранг электропотребления. На рисунке 7 изображены, полученные в резуль­тате сортирования, данные ри­сунка 5 по убыванию и их аппрок­симирующая зависимость E(r), со­ответствующая средним много­летним значениям.

В соответствии с величиной электропотребления каждому временному интервалу (месяцу) t присваивается ранг r (первое значение ранга r=1 соответствует месяцу с наибольшим электропотреблением, последнее – с наимень­шим).

Доверительный интервал ранжированных данных электропотребления E(r), полученный по многолетним значениям, рассчитывается по формуле:

Δ(r)=| ± | (15)

где n- объём выборки значений электропотребления; τ- значение аргумента функции Лапласа Ф(τ) – стандартизированные значения при котором Ф(τ )=γ/2:

,

где Ф(τ) - вероятность появления электропотребления Е_i ровно τ раз;

; γ- доверительная вероятность.

В результате получены минимальная E_min(r) и максимальная E_max(r) доверительные границы:

(16)

Будем считать недостоверными данные, выходящие за пределы доверительного интервала ±Δ(r), рисунок 7. Если значение электропотребления Е(r) выходит за пределы переменного доверительного интервала ±Δ(r), то такие данные признаются недостоверными и их необходимо либо исключить из модели, либо уточнить их значения (точки 1, 2, 3, рисунок 7).



Рисунок 7. Ранговое распределение Е(r) и его доверительные интервалы: E_max(r) – максимальный, E_min(r)- минимальный


На рисунке 8 изображена блок- схема по шагам, отражающая системность действий, направленных на снижение ошибки прогнозирования электропотребления сельскохозяйственного предприятия.

0. Начало. Выбор источника данных (1). Источником данных электропотребления сельскохозяйственного предприятия, могут быть данные приборов учёта, базы данных (бухгалтерские документы: счета на оплату и т.д.). В случае отсутствия данных, они могут быть получены путём динамического моделирования процесса электропотребления.
   
1. В случае получения данных с приборов учёта (2) последние направляются в блок (9) на проверку нулевых значений.
   

2. В случае использования данных электропотребления непосредственно с базы данных, последние направляются в блок (11) для дальнейшей проверки.

3. В случае полного отсутствия данных осуществляется процесс моделирования электропотребления для данного объекта и данного времени. Результаты моделирования подаются в блок (11) для дальнейшей обработки.

4. Основная проверка данных производится в блоке (11). На этот блок поступают данные с базы данных (4), приборов учёта (2,9), блока динамического моделирования (3): если |E_i(t)-М_Е(t)|<Δ(t), то данные достоверны, и поступают в модель прогнозирования (12) и базу данных (4). В противном случае требуется произвести уточнение методом динамического моделирования в блоке (3).

5. Прогнозирование осуществляется в блоке (12), на вход которого подаются данные с блока определения достоверности данных (11), с базы данных электропотребления Е(t) (4), с базы данных параметров производства Pi(t) (5), условий производства P_Ui(t) (6), архив результатов обучения (7), а также алгоритм обучения (13).

6. Результаты прогнозирования документируются в блоке (14).




Рисунок 8. Блок- схема системности действий, направленных на снижение ошибки прогнозирования электропотребления сельскохозяйственного предприятия

В третьей главе «Методика, оборудование и приборы для исследования электропотребления сельскохозяйственного предприятия» приведены методики: создания базы данных электропотребления, условий и параметров сельскохозяйственного производства; выбора нейросетевой модели прогнозирования и адаптации к реальным условиям работы; исследования электропотребления сельскохозяйственного предприятия методом Монте-Карло, исследования ошибки прогнозирования нейросетевой моделью.

П
Рисунок 9. Структура базы данных «Электропотребление предприятием АПК»
редлагается методика формирования базы данных. Данные хранятся в виде двумерных таблиц Microsoft Office Excel (Рисунок 9). Все таблицы имеют одинаковую структуру: столбцы содержат значения параметров и условий, строки – их изменение с течением времени. Рабочие книги каждого файла состоят из двух листов. Первый лист предназначен для сбора и хранения информации. Второй лист содержит данные для прогнозирования.

В базе содержатся: данные по электропотреблению предприятия (файл «Electro.xls»); данные по выпуску продукции (файл «Product.xls»); данные по вспомогательным производствам (файл «Proizvodstvo.xls»); данные по метеорологическим условиям (файл «Klimat.xls»); сводная таблица данных для прогнозирования (файл «Prognoz_Electro»).

Для получения информацию по расходу электроэнергии использовались установленные на предприятиях приборы учёта (ЦЭ6803В, "Меркурий-201", "Меркурий" -230, ЦЭ 6807П, СЭТ 3а 02-34-03/1П, САЗ-3 и др.) Для получения информации о режимах электропотребления отдельного объекта в исследованиях использовался прибор «ПЭМ-02»- Прибор энергетика многофункциональный для измерения электроэнергетических величин (частоты сети F, значений фазных напряжений U_a, U_b, U_c; значений фазных токов I_a, I_b, I_c; активной мощности по каждой фазе Р_а, Р_b, P_c; активной мощности по всем фазам P_sum; полной мощности S_sum, коэффициента мощности K_ps и др.), рисунок 10.

М
Рисунок 10. Общий вид прибора

ПЭМ-02
етодика создания нейросетевой модели прогнозирования электропотребления состоит из этапов: подготовки информации для выбора нейросетевой модели; предварительного выбора нейросетевых моделей прогнозирования; адаптации и окончательного выбора модели (проверка адекватности).

Подготовка информации для выбора нейросетевой модели прогнозирования заключалась в создании из базы данных трёх выборок – обучающей, контрольной и тестовой.

Для предварительного выбора архитектуры нейросетевой модели, был разработан алгоритм, который включает в себя следующие этапы (рисунок 11):

1. Выбор начальной конфигурации сети: тип сети, число слоёв – (однослойные или двухслойные), функции активации, число нейронов;
   
2. Обучение сети на обучающей выборке по методу обратного распространения ошибки при различных обучающих алгоритмах;
   
3. Моделирование сети. Подача в сеть данных контрольной выборки.
   
4. Оценка качества обучения нейросетевой модели.
   

Адаптация нейросетевой модели к реальным условиям сельскохозяйственного производства достигалась выбором алгоритма обучения, подбором числа нейронов и функции активации.

Окончательный выбор архитектуры нейросетевой модели состоял в её проверке на адекватность. Для этого в обученную нейросетевую модель подавались неизвестные ей, но реальные данные параметров и условий производства, после чего производилась оценка ошибки прогноза.




Рисунок 11. Алгоритм выбора нейросетевой модели

Для исследования влияния параметров и условий производства на прогнозное электропотребление был применён метод Монте-Карло, алгоритм которого с применением нейросетевой модели приведен на рисунке 12.

В четвёртой главе «Результаты экспериментальных исследований и их анализ» приведены результаты ис­следований нейросетевых моделей прогнозирования электропотребления сельскохозяйственных предприятий.

При реализации методики выбора архитектуры нейросетевой модели, были выбраны модели, имеющие наименьшие ошибки и время обуче­ния.

О
Рисунок 12. Алгоритм моделирования электропотребления с применением метода Монте-Карло
шибки моделирования электро­потребления после проведения адап­тации нейросетевых моделей к пара­метрам и условиям сельскохозяйст­венного производства, приведены в таблице 2.

При исследовании нейросетевых моделей находилось: число нейронов, при ко­тором наступает переобучение сети (рисунок 13); число нейронов, необходимое для достижения заданной ошибки прогнозирования.


Таблица 2. Ошибки моделирования некоторых нейросетевых моделей после адаптации к параметрам и условиям сельскохозяйственного производства

Тип предприя-тия	Тип нейронной сети	Функция активации	Алгоритм обучения	Ошибка обучения	Ошибка модели- рования Δ, %
Многопрофильное	Прямой передачи	Гиперболическая тангенциальная	Групповое	0,01	11
		Логистическая сигмоидальная	В модификации Моллера	0,1	10
		Логистическая сигмоидальная	Пауэла-Биеле	0,1	8
		Логистическая сигмоидальная	Градиентного спуска с возмущением	0,1	11
		Логистическая сигмоидальная	Одношаговый метод секущей	0,1	12
	Элмана	Логистическая сигмоидальная	В модификации Моллера	0,1	12
однопрофильное	прямой передачи	Логистическая сигмоидальная	Градиентного спуска с возмущением	0,1	11
		Логистическая сигмоидальная	Одношаговый метод секущей	0,01	15
	Динами-ческая	Логистическая сигмоидальная	Бройтона, Флетчера, Гольдфарба и Шано	0,1	14
	Каскадная	Гиперболическая тангенциальная	В модификации Моллера	0,1	13
	Элмана	Логистическая сигмоидальная	Градиентного спуска	0,1	12
		Гиперболическая тангенциальная	В режиме случайного представления входа	0,1	15

а б

Рисунок 13. Изменение среднеквадратичной ошибки обучения сети с увеличением числа нейронов N: а- при отсутствии переобучения; б- при переобучении

В результате для прогнозирования электропотребления многопрофильного предприятия была выбрана двухслойная динамическая нейронная сеть с логистической сигмоидальной функцией активации, имеющая 11 нейронов в скрытом слое, использующая для обучения алгоритм Пауэла – Биеле, имеющая относительную ошибку моделирования не более 6%; для однопрофильного предприятия – двухслойная динамическая нейронная сеть с логистической сигмоидальной функцией активации, имеющая 8 нейронов в скрытом слое, использующая для обучения алгоритм Бройтона, Флетчера Гольдфарба и Шано, имеющая ошибку моделирования не более 6%.

При выборе параметров и условий производства сельскохозяйственного предприятия была произведена проверка гипотез о видах интегральных функций плотностей распределений F(P). Оказалось, что условия и параметры производства у разных типов предприятий могут иметь нормальные, логнормальные и экспоненциальные функции плотностей вероятностей распределения.

Исследования влияния параметров и условий производства на электропотребление проводились на основе нейросетевых моделей с применением метода Монте-Карло. Для этого были использованы функции плотностей распределения параметров и условий производства F(P).

В результате были получены зависимости электропотребления Е от случайно распределённых величин параметров и условий производства P, соответствующие конкретному предприятию. Например, на рисунке 14 представлена зависимость электропотребления однопрофильного предприятия от массы переработанного зерна.

П
Рисунок 14. Зависимость электропотребления Е однопрофильного предприятия (СХПК «Родина») от массы переработанного зерна P_pz
олученные результаты показывают, что параметры и условия производства могут оказывать разное влияние на электропотребление многопрофильного и однопрофильного предприятий, что объясняется особенностью технологических процессов на предприятиях при производстве продукции. Поэтому, для минимизации ошибки прогнозирования нейросетевая модель должна быть обучена на ретроспективных данных конкретного предприятия.

Прогнозирование электропотребления осуществлялось на примере ретроспективных данных параметров, условий и электропотребления многопрофильного сельскохозяйственного предприятия – ФГУП учхоз - племзавод «Комсомолец», и однопрофильного сельскохозяйственного предприятия – СХПК «Родина». Для минимизации ошибки была проведена корректировка исходной информации по электропотреблению путём выявления недостоверных данных, с применением метода интервального оценивания гиперболического распределения электропотребления, и их заменой ретроспективными данными.

На рисунке 15 представлена графическая визуализация реального и прогнозного электропотребления, полученного с применением нейросетевой модели - до и после корректировки данных. Среднегодовая относительная ошибка прогнозирования для предприятия ФГУП учхоз - племзавод «Комсомолец» корректировкой данных была снижена на 0,8% (относительно исходного прогноза улучшена на 15%) и составляет 4%, для СХПК «Родина» - на 1,9% (относительно исходного прогноза улучшена на 34%) и составляет 3,7%.



а б

Рисунок 15. Графики реального и прогнозного электропотребления предприятий до и после корректировки данных: а – многопрофильного (учхоз - племзавод «Комсомолец»);

б- однопрофильного (СХПК «Родина»)


В пятой главе «Предложения по использованию нейросетевой модели прогнозирования электропотребления сельскохозяйственного предприятия» приведена методика прогнозирования электропотребления и результаты расчётов экономической эффективности от её применения.

Методика предусматривает процесс прогнозирования в три этапа: сбор информации об электропотреблении, условиях и параметрах производства; обучение системы прогнозирования; прогнозирование. Данная методика прогнозирования электропотребления реализована в программе «Prognoz SHP», разработанной на базе пакета прикладных программ Matlab, и предназначенная для составления прогнозов электропотребления сельскохозяйственных предприятий на основе нейронных сетей (рисунок 16). Обучение нейросетевой модели, а также прогнозирование электропотребления осуществляется при работе программы с базой данных «Электропотребление предприятием АПК». Структура программы предусматривает представление результатов прогнозирования, возможности анализа ошибок прогнозирования и архивацию результатов.

Н
Рисунок 16. Интерфейс программы для прогнозирования электропотребления «Prognoz SHP»
а рисунке 17 представлены графики, на которых изображены реальное электропотребление, заявленное в договоре электроснабжения и прогнозное, полученное с применением нейросетевой модели. Ошибка заявленного электропотребления от реального составляет по разным месяцам 5%-40%, а иногда достигает более 100%, в то время, как среднегодовая спрогнозированная с применением нейросетевой модели не превышает 5%.

При использовании программы «Prognoz SHP» для составления заявки электропотребления для многопрофильного предприятия (учхоз - племзавод «Комсомолец») экономия денежных средств может составить более 180 тыс. руб.; чистый дисконтированный доход за 10 лет эксплуатации программы -более 1 млн. руб.; индекс доходности – 13,9; срок окупаемости- 0,5 года.

Для однопрофильного предприятия (СХПК «Родина) использовании программы «Prognoz SHP» позволяет сэкономить более 110 тыс.руб.; чистый дисконтированный доход за 10 лет эксплуатации программы - более 700 тыс. руб.; индекс доходности – 8,9; срок окупаемости- 0,7 года.




а б

Рисунок 17. Графики электропотребления предприятий- реального Е, заявленного в договоре электроснабжения Ез и спрогнозированного нейросетевой модели Епр: а- многопрофильного (учхоз - племзавод «Комсомолец»); б- однопрофильного (СХПК «Родина»)


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 предприятия- по 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.
   

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОТРАЖЕНО В СЛЕДУЮЩИХ ПУБЛИКАЦИЯХ

Публикации в изданиях, рекомендованных ВАК

1. Чувилкин А.В. Прогнозирование электропотребления объектов с применением искусственных нейронных сетей [Текст] / Чувилкин А.В., Гордеев А.С. //Вопросы современной науки и практики: Университет им. В.И. Вернадского.-2008.-№2(12).- с.32-37.
   
2. Чувилкин А.В. Влияние метеорологических и производственных факторов на потребление электроэнергии предприятий АПК [Текст] / Чувилкин А.В., Гордеев А.С. // Вестник Мичуринского государственного аграрного университета.-2010.- №1.- с.176-181.
   
3. Чувилкин А.В. Динамическое моделирование электропотребления. [Текст]// Механизация и электрификация сельского хозяйства.-2011.-№1-с.21-23.
   

Публикации в журналах, сборниках научных трудов и материалах конференций

4. Чувилкин А.В. Прогнозирование потребления электроэнергии сельскохозяйственными предприятиями с использованием нейронных сетей. [Текст] / А.В. Чувилкин, А.С. Гордеев // Математические методы в технике и технологиях (ММТТ-21): сб.тр. XXI Междунар.науч.конф. в 11 т.; под общ. ред. д-ра техн. наук, проф. В.С. Балакирева. - Изд-во Тамб. гос. техн. ун-та, 2008 -т. 11.; 268 с. -160 экз.- с.144-148.
   
5. Чувилкин А.В. Система прогнозирования потребления электроэнергии сельскохозяйственных предприятий [Текст] // Инновационно- техническое обеспечение ресурсосберегающих технологий АПК: сб. науч. Тр. Междунар. науч. практ. конф. 4-5 мая 2009 г.- Мичуринск: Изд-во Мичуринского госагроуниверситета, 2009-220с.- с.18-23.
   
6. Чувилкин А.В. Прогнозирование электропотребления предприятий АПК [Текст] / Гордеев А.С. , Чувилкин А.В. // Инновационные технологии производства, хранения в переработки плодов и ягод: мат. науч.-практ. конф. 5-6 сентября 2009 года в г. Мичуринске Тамбовской области.- с.167-173.
   
7. Чувилкин А.В. Модель для прогнозирования электропотребления сельскохозяйственными предприятиями [Текст] / Гордеев А.С., Чувилкин А.В. //Энергообеспечение и строительство: сб. мат. III междунар. выставки-Интернет- конференции памяти проф. В.Г. Васильева ( к 60- летию со дня рождения) 18-20 ноября 2009 г., г. Орёл.- с.71-77.
   
8. Чувилкин А.В. Моделирование электроснабжения предприятий АПК [Текст]// Инженерное обеспечение инновационных технологий в АПК: сб. науч.тр. Междунар. науч.практ. конф. 13-14 мая 2010 года.- Мичуринск: Изд-во Мичуринского госагроуниверситета.- 2011.- с. 215- 220.
   

Регистрация базы данных

9. Свидетельство о государственной регистрации базы данных №2011620386 от 24.05.2011 г. Энергопотребление предприятием агропромышленного комплекса [Текст] / Гордеев А.С., Чувилкин А.В., Дроздов Д.В.; заявитель и правообладатель ФГОУ ВПО МичГАУ: заявка №2011620258 от 08.04.2011 г.