КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ > Полезные советы
Тысяча полезных мелочей    

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ  ЭЛЕКТРОПОТРЕБЛЕНИЯ

Южанников А.Ю. Антоненков Д.В. Статья в формате PDF 139 KB

В современных условиях вопросы краткосрочного прогнозирования электропотрeбления промышленных предприятий играют важную роль. В данной статье рассматривается краткосрочный прогноз электропотрeбления с помощью адаптивной нечеткой нейронной сети на примере Н-го угольного разреза.

Данные об электропотрeблении хранятся в базе данных оперативно-информационного комплекса (ОИК) и их можно рассматривать как временной ряд. Существует множество методов прогнозирования временных рядов: AR, MA, ARMA, ARIMA-модели, метод сезонных кривых, нейронные сети, гибридные системы прогнозирования, которые используют методы нейронных сетей, генетического алгоритма и нечеткой логики.

В качестве исходных данных взята информация о часовом электропотрeблении  угольного разреза "Н-й".  Моделирование системы проведем с помощью Fuzzy Logic Toolbox в системе MatLab.

База знаний такой системы содержит нечетких правила типа Такаги-Сугено:

Правило 1: Если x1 есть L1,x2 есть L2 и x3 есть L3, тогда z есть H;

Правило 2: Если x1 есть H1,x2 есть H2 и x3 есть L3, тогда z есть M;

Правило 3: Если x1 есть H1,x2 есть H2 и x3 есть H3, тогда z есть S;

где x1,x2,x3 - входные переменные, z - выход системы, L1,L2,L3,H1,H2,H3,H,M,S - некоторые нечеткие множества с функциями принадлежности сигмовидного типа (для упрощения записи последующих выкладок функции принадлежности в данном случае обозначены так же, как и соответствующие нечеткие множества):

Для определения выходной переменной используется следующий алгоритм вывода:

1) подсчитывается значения истинности предпосылок для каждого правила:

α1 = L1(a1) ^ L2(a2) ^ L3(a3),

α2 = H1(a1) ^ H2(a2) ^ L3(a3),

α3 = H1(a1) ^ H2(a2) ^ H3(a3),

где a1,a2,a3 - текущие значения входов системы;

2) для каждого правила определяются частные выходы:

3) находиться общий выход системы:

Сеть с подобной архитектурой в англоязычной литературе получили название ANFIS (Adaptive-Neuro-Fuzzy Inference System, то есть адаптивная нечеткая нейронная система вывода)

Корректирование параметров системы здесь производиться либо в соответствие с наиболее распространенным для нейронных сетей алгоритмов обратного распространения ошибки (back propagation), либо комбинированным методом, специально разработанным для гибридных сетей.

Для данного прогнозирования, значения временного ряда хранятся в файле nur.xls в директории C:MATLABR2006awork. Это - файл таблицы Excel, первый столбец содержит значения дискретного времени (t=0,1,...,1200), а второй - значения электропотрeбления угольного разреза кВт·ч (временной ряд).

Для прогнозирования значения временного ряда в данном случае использовали стандартный подход: прогнозированное в текущий момент времени t значение ряда для момента времени (t+6) определяется четырьмя предшествующими значениями ряда в моменты x(t-18),x(t-12),x(t-6),x(t). Особенностью здесь является то, что причинно-следственная связь между предшествующими, текущими и будущим значениями устанавливается с помощью системы нечеткого вывода типа ANFIS, при этом конкретные хаpaктеристики системы определяются по имеющимся экспериментальным данным.          

Для формирования матрицы использовалось по 500 значений ряда, соответствующие временные отметкам от 118 до 1117.

В результате проведенного исследования по применению гибридной сети ANFIS  для краткосрочного прогнозирования электропотрeбления, основанного на построении аппроксимирующих моделей в виде адаптивной нечеткой нейронной сети, обучаемой на выборках реальных данных ОИК по электропотрeблению угольного разреза Н-й на уровне предприятия за прошлые периоды, установлено, что фактическое электропотрeбление в целом совпадает с расчетными (прогнозируемыми) значениями.



ПОВЕРХНОСТНЫЕ ГРАВИТАЦИОННЫЕ ЭЛЕКТРОКАПИЛЛЯРНЫЕ ВОЛНЫ

ПОВЕРХНОСТНЫЕ ГРАВИТАЦИОННЫЕ ЭЛЕКТРОКАПИЛЛЯРНЫЕ ВОЛНЫ Исследовано распространение нелинейных поверхностных гравитационных электрокапиллярных волн на поверхности жидкого проводника. Библиогр. 6 назв. ...

02 07 2026 12:42:38

БИОВОЛНОГЕНЕЗ: Ч.1. СТИХИЙНЫЕ БЕДСТВИЯ

БИОВОЛНОГЕНЕЗ: Ч.1. СТИХИЙНЫЕ БЕДСТВИЯ Статья в формате PDF 133 KB...

28 06 2026 12:38:21

ДИАГНОСТИКА ПИЩЕВОЙ АЛЛЕРГИИ

ДИАГНОСТИКА ПИЩЕВОЙ АЛЛЕРГИИ Статья в формате PDF 245 KB...

19 06 2026 20:27:45

РЕГУЛЯТОРНЫЕ ПЕПТИДЫ ИЗ ВНУТРЕННИХ ОРГАНОВ ЖИВОТНЫХ ПОСЛЕ ОСТРОЙ КРОВОПОТЕРИ

РЕГУЛЯТОРНЫЕ ПЕПТИДЫ ИЗ ВНУТРЕННИХ ОРГАНОВ ЖИВОТНЫХ ПОСЛЕ ОСТРОЙ КРОВОПОТЕРИ Цитомедины – это биологически активные соединения, продуцируемые органами и тканями, способные влиять на течение физиологических и биохимических процессов в организме для поддержания гомеостаза. Экспериментально выявлено, что пептиды (цитомедины), выделенные из тканей печени и сердца животных, влияют на адгезивные свойства клеток крови – увеличивают количество лейкоцитарно-эритроцитарных (ЛЭА), тромбоцитарнo-эритроцитарных (ТЭА) и лимфоцитарно-тромбоцитарных (ЛТА) агрегатов. Феномен лимфоцитарно-тромбоцитарной адгезии является ярким примером тесной взаимосвязи иммунитета и гемостаза, являющихся составными частями единой интегральной клеточно­-гумopaльной системы защиты организма. ...

16 06 2026 9:31:15

ИТЕРАЦИОННЫЙ МОДУЛЯРНЫЙ ДИЗАЙН ДВУМЕРНЫХ НАНОСТРУКТУР

ИТЕРАЦИОННЫЙ МОДУЛЯРНЫЙ ДИЗАЙН ДВУМЕРНЫХ НАНОСТРУКТУР В данной работе предложена эволюционная модель формирования двумерных структур. Определены алгоритмы формирования структур в априори структурированном двумерном прострaнcтве путем заполнения его в соответствии с определенными эволюционными правилами. ...

11 06 2026 13:13:10

ОРГАНИЗАЦИЯ САМОСТОЯТЕЛЬНОЙ РАБОТОЙ СТУДЕНТОВ

ОРГАНИЗАЦИЯ САМОСТОЯТЕЛЬНОЙ РАБОТОЙ СТУДЕНТОВ Статья в формате PDF 290 KB...

04 06 2026 13:15:27

ГЕРМЕНЕВТИЧЕСКИЙ ПОДХОД В ОБУЧЕНИИ МАТЕМАТИКЕ

ГЕРМЕНЕВТИЧЕСКИЙ ПОДХОД В ОБУЧЕНИИ МАТЕМАТИКЕ Статья в формате PDF 474 KB...

03 06 2026 14:55:58

Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::