Problems and prospects of the artificial neuron networks using in energy

The review of foreign and domestic publications is presented on application of artificial neuron networks for the decision of simulation tasks in energy, engulfing a period from 1991 to 2006. The special attention is spared short-term forecast of grids loading and also diagnostics of the state and l...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2006
Автори:	Voronovskiy G.K., Makhotilo K.V., Sergeev S.O.
Формат:	Стаття
Мова:	Українська
Опубліковано:	General Energy Institute of the National Academy of Sciences of Ukraine 2006
Теми:	artificial neuron networks simulation forecast grids thermal supply neuron network predictor.
Онлайн доступ:	https://systemre.org/index.php/journal/article/view/290
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	System Research in Energy
Завантажити файл:

Репозитарії

System Research in Energy

_version_	1871103486452563968
author	Voronovskiy G.K. Makhotilo K.V. Sergeev S.O.
author_facet	Voronovskiy G.K. Makhotilo K.V. Sergeev S.O.
author_institution_txt_mv	[ { "author": "Voronovskiy G.K.", "institution": null }, { "author": "Makhotilo K.V.", "institution": null }, { "author": "Sergeev S.O.", "institution": null } ]
author_sort	Voronovskiy G.K.
baseUrl_str	https://systemre.org/index.php/journal/oai
collection	OJS
datestamp_date	2026-07-18T12:57:36Z
description	The review of foreign and domestic publications is presented on application of artificial neuron networks for the decision of simulation tasks in energy, engulfing a period from 1991 to 2006. The special attention is spared short-term forecast of grids loading and also diagnostics of the state and localization of disrepairs of equipment. Experience of authors is generalized in the synthesis of neuron network predictors of electric energy and natural gas consumption in a domestic sector, taking into account the influence of the thermal supply modes on the spectrum of energy resources consumption by population.
first_indexed	2026-03-24T02:01:20Z
format	Article
fulltext	50 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ Искусственные нейронные сети (ИНС) отно- сятся к представителям кибернетического нап- равления в науке, опирающегося на веру в то, что природные системы в том виде, в котором мы ви- дим их сегодня, являются сообществом победите- лей в многовековом соревновании на выживание. Человеку, как творцу искусственных миров, нуж- но лишь понять ключевые механизмы их устой- чивого функционирования и саморазвития с тем, чтобы использовать это понимание в собствен- ной практической деятельности. История становления ИНС как направления в современной науке освещена во многих публи- кациях, поэтому нет смысла повторять ее даже в общих чертах. Цель состоит в том, чтобы охва- тить вниманием одно достаточно узкое направле- ние в прикладной нейроинформатике, которое напрямую связано с потребностями энергетики. Первые статьи по применению ИНС для ре- шения задачи краткосрочного прогнозирования электрической нагрузки энергосистемы [1-3] увидели свет в 1991 году. В течение последующих 5-6 лет в зарубежной научной периодике наблю- дался бум публикаций, отражавших попытки ин- женеров и ученых опробовать ИНС для решения задач, востребованных практикой эксплуатации энергообъектов и энергосистем. Во второй половине 90-х публикации на эту тему появились и в Украине [4-6]. С тех пор укра- инскими учеными было защищено несколько кандидатских [7-9] и докторских [10, 11] диссер- таций по применению ИНС в энергетике. К со- жалению, в силу ряда субъективных и объектив- ных причин они не вызвали должного интереса в среде энергетиков-практиков. Более того, в последние годы за ИНС укрепи- лась слава многообещающего, но, увы, малоэф- фективного на практике исследовательского ин- струмента. Нередко в частных беседах с умудрен- ными жизненным опытом специалистами можно услышать, что ИНС – пришедшая к нам из запад- ной науки, модная, но пустая игрушка, без кото- рой отечественная энергетика прекрасно обходи- лась в прошлом и сможет обходиться в будущем. В этом высказывании есть доля правды. Дейс- твительно, востребованность ИНС в условиях рыночных отношений в энергетике существенно выше, чем в условиях плановой экономики. Мы же переживаем переходный период к рынку, и непривычные для нас рыночные категории, меха- низмы и инструменты кажутся чем-то избыточ- ным и лишним, требующим чрезмерного внима- ния там, где можно обойтись более простыми, хо- рошо зарекомендовавшими себя решениями. С этим упреком, касающимся широкого круга научных и организационных новаций последнего десятилетия, к которому относятся не только ИНС или фаззи-управление, но и энергорынок, можно согласиться. Но тогда придется согла- ситься и с тем, что украинская экономика и даль- ше будет оставаться одной из самых энергозат- ратных в Европе. Дело, безусловно, не в том, что все "западное" лучше отечественного. Отечественный энерго- комплекс многократно демонстрировал свою ра- ботоспособность в неимоверно неблагоприятных условиях, однако сегодня первоочередную значи- мость приобретает задача повышения его эконо- мичности и энергоэффективности. Без этого он никогда не станет привлекательным для инвесто- ров, а значит, не получит средств для модерниза- ции и обновления основных производственных фондов. Наивно надеяться, что широкое внедрение ИНС в сферу вычислительных задач энергетики гарантирует успешное преодоление всех про- блем. Лично для нас бесспорно то, что в преобра- зованиях, которые предстоит пережить отечес- твенной энергетике, чтобы стать энерго- и топли- воэкономичной, ИНС могут сыграть огромную позитивную роль. Это подтверждает личный 10- летний опыт работы по "сращиванию" ИНС с ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭНЕРГЕТИКЕ. Часть 1. МОДЕЛИРОВАНИЕ УДК 620:621.31 Г.К. ВОРОНОВСКИЙ, К.В. МАХОТИЛО, С.А. СЕРГЕЕВ Представлен обзор зарубежных и отечественных публикаций по применению искусственных нейронных сетей для решения задач моделирования в энергетике, охватывающий период с 1991-го по 2006 гг. Из широкого спектра прикладных задач энергетики особое внимание уделено краткосрочному прогнозированию нагрузки энергосистем, а также диагностике состояния и локализации неисправностей оборудования. Обобщен опыт авторов в синтезе нейросетевых предикторов потребления электрической энергии и природного газа в бытовом секторе, учитываю- щих влияние режимов теплоснабжения на спектр потребления энергоресурсов населением. ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 51 энергетикой Харьковского региона в рамках пи- лотного проекта по энергосбережению в комму- нальном хозяйстве [12]. Осуществление этого проекта дало нам понимание того, что усовер- шенствование методической и алгоритмической базы управления энергопотреблением позволяет улучшить координацию ветвей энергоснабжения и за счет этого добиться сокращения непроизво- дительных затрат топлива и энергии при удов- летворении спроса региональных потребителей на тепловую, электрическую энергию и природ- ный газ. Другой серьезный урок, вынесенный из этих десяти лет, понимание того, что неправомерно рассчитывать на прогресс в разработке и внедре- нии качественно новых моделей и алгоритмов учеными, если не ставить качественно новые тре- бования перед инженерами и организаторами энергетического производства, если не заботить- ся о формировании во всех слоях общества отно- шения к энергии как к материальной ценности, производство которой сопряжено с огромными финансовыми и трудовыми затратами. Это прос- тое, на первый взгляд, наблюдение, вскрывает причину, которая в большой мере обесценивает успехи, достигнутые благодаря энтузиазму и изобретательности отдельных научных коллек- тивов, работающих в Украине в данной области. Это в полной мере относится и к вышеупомя- нутому проекту. Хотя мы считаем его вполне за- вершенным и в научном, и в техническом отно- шении, время его, по-видимому, не пришло. И причина не в выборе ИНС в качестве вычисли- тельной платформы. Как раз, наоборот, выбор оказался вполне удачным, и ИНС полностью оп- равдали наши надежды. Проблема в ином – инер- тности менеджмента энергетики, в отсутствии у него реальных стимулов и мотиваций для улуч- шения существующей практики технического и организационно-экономического управления, в противоречивости экономической политики го- сударства в сфере энергетики, наконец, в незре- лости хозяйственноправовых отношений в об- ществе, обезоруживающей местные власти в борьбе по преодолению кризиса неплатежей в энергетической сфере. А урон энергетики от неп- латежей столь значителен, что никакие информа- ционные технологии не могут его восполнить. Общие сведения о нейросетях Поскольку родоначальником современных разновидностей ИНС, количество которых изме- ряется уже несколькими десятками, является перцептрон Розенблатта [13], на многие типы прямонаправленных ИНС ссылаются как на сети "перцептронного типа". Подавляющее большинс- тво разработчиков нейросетевых моделей для энергетики базируются в своих исследованиях именно на них. Поэтому остановимся на их уст- ройстве и принципах функционирования нес- колько подробнее. Итак, ИНС перцептронного типа представля- ет собой совокупность искусственных нейронов, упорядоченных по слоям (рис. 1). Нейроны из разных слоев соединяются между собой так, что- бы каждый нейрон из последующего слоя полу- чал сигналы от всех нейронов предыдущего слоя. Сила межнейронных связей моделируется нас- траиваемыми весовыми коэффициентами wij, усиливающими или ослабляющими передавае- мый сигнал. Сигналы, поступающие на входы нейронов скрытого слоя от нейронов входного слоя, суммируются и преобразуются в выходной сигнал, формируемый в соответствии с так назы- ваемой активационной функцией. Таким обра- зом, скрытые слои ИНС осуществляют нелиней- ное преобразование вектора входных сигналов x в вектор выходных сигналов y любой желаемой размерности. Функциональное преобразование вход-выход нейронной сети y=NN(x) с активационными функциями нейронов скрытого слоя сигмои- дального типа описываются несложными мате- матическими выражениями, например, следую- щим: где y=(y1,...,yq) – вектор выходов сети; q – размер выходного слоя сети; x=(x1,...,xp) – вектор входов сети; p – размер входного слоя сети; ν – размер ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ Рис. 1. Схема трехслойной ИНС перцептронного типа с одним скрытым слоем (1) 52 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 скрытого слоя сети; wj,k – веса k-го нейрона выход- ного слоя; wi,j – веса j-го нейрона скрытого слоя. Такую нейронную сеть условно обозначают записью NN p-ν-q. Настроечными параметрами сети являются веса нейронов w, общее количест- во которых равно q(ν+1)+ν(p+1). Еще одним распространенным типом нейро- сетей являются предложенные относительно не- давно [14] нейронные сети с радиально- базисными функциями (РБФ). Алгоритм их ра- боты менее связан с биологическим прототипом, однако в его основе лежит высокоэффективный при решении задач аппроксимации метод потен- циальных функций, предложенный в [15]. В случае РБФ-сетей функциональное преоб- разование вход-выход нейросети y=NN(x) опи- сывается выражением вида: где cj=(cj,1,...,cj,p) – вектор координат центра акти- вационной функции j-го нейрона скрытого слоя; σj – ширина окон активационной функции j-го нейрона скрытого слоя; wj,k – веса k-го нейрона выходного слоя. Настроечными параметрами РБФ-сети архи- тектуры NN p-ν-q являются центры c и ширины σ окон активационных функций нейронов скры- того слоя, а также веса w нейронов выходного слоя. Общее количество настроечных параметров РБФ-сети равно ν(p+ q+1). При решении задач моделирования нейросе- тевую модель обычно называют нейроэмулято- ром объекта. Под обучением нейроэмулятора по- нимают целенаправленный процесс изменения значений настроечных параметров активацион- ных функций нейронов, итеративно повторяе- мый до тех пор, пока сеть не научится с опреде- ленной точностью отображать некоторый задан- ный набор входных сигналов в набор желаемых выходных. Пару векторов входных и соответствующих им выходных сигналов {x, y} называют шабло- ном, а весь набор данных для обучения нейросе- ти называют тренировочным набором шаблонов Тренировочный набор шаблонов формирует- ся в ходе наблюдения за поведением объекта или активных экспериментов с ним. Для оценки качества обучения обыкновенно используются ошибки e запоминания нейросе- тью шаблонов из тренировочного набора (при обучении нейронной сети методом обратного распространения ошибки [16, 17]). или сумма квадратов ошибок F, рассчитанная по всему набору шаблонов (при обучении, напри- мер, с помощью генетического алгоритма): Если удается так настроить ИНС, чтобы ве- личина F не превышала некоторый порог, про- цесс обучения считается законченным. Хорошо обученная сеть обладает способнос- тью не только правильно реагировать на входные данные, предъявленные в процессе обучения, но справляться с любыми другими наборами дан- ных из допустимого пространства входных сиг- налов. В этом смысле говорят, что ИНС обладает свойством обобщения. Говоря о достоинствах ИНС, выделяют следу- ющие: – присущий им параллелизм при обработке информации; – низкую чувствительность к помехам; – универсальность для решения различных задач моделирования, в том числе не имеющих четкого алгоритма. Спектр применения ИНС для решения задач моделирования в энергетике Спектр задач энергетики, при решении кото- рых ИНС продемонстрировали достаточно высо- кие, а в некоторых случаях – наилучшие по срав- ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ (2) Рис. 2. Общая схема обучения нейроэмулятора динамического объекта ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 53 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ нению с другими техниками результаты, очень широк. В табл. 1 перечислены только некоторые из них, и мы не беремся утверждать, что этот спи- сок является исчерпывающим. Это же касается и ссылок на публикации по той или иной теме (правый столбец таблицы). Предпочтение отдано тем, которые были "пионерскими" или сыграли ключевую роль в понимании путей решения вы- числительных задач энергетики. Учитывая то, что каждая из указанных задач имеет свою специфику, отражающуюся на приемах выбора и обучения соответствующих ИНС, оста- новимся, хотя бы вкратце, на важнейших из них. Краткосрочное прогнозирование нагрузки (КСПН) с интервалом упреждения от несколь- ких минут до десятков дней играет ключевую роль в обеспечении экономичной и безопасной работы энергосистемы. Выполнение многих дис- петчерских функций – таких как выбор состава включенных агрегатов и назначение им заданий, координация работы гидро- и тепловых станций, оценка устойчивости энергосистемы, а также воз- можных межсистемных перетоков энергии – тре- бует решения этой задачи. Большинство энергетических предприятий в мире до сих пор полагаются на опыт диспетчеров. Кроме прогноза погоды, принимаются во внима- ние и другие параметры, такие как время суток, день недели, тип дня – рабочий или выходной. Погодные условия оцениваются температурой воздуха, облачностью, скоростью ветра. Некото- рые операторы настолько хорошо знают энерго- систему, что могут достаточно точно предвидеть ее поведение в ближайшем будущем. Многие ис- пользуют технику прецедентов, опирающуюся на примеры из прошлого, аппроксимирующие теку- щее состояние. Значения нагрузки из прошлого экстраполируются в соответствии с новым прог- нозом погоды. За последние 30 лет для прогнозирования нагрузки в энергосистемах применялись различ- ные методы прогнозирования. Наиболее успеш- ные среди них – регрессионные модели [27, 28] и модели временных рядов [29-32]. В Украине ин- тенсивное развитие получили модели прогнози- рования на основе метода группового учета аргу- мента (МГУА), предложенного А.Г. Ивахненко [33]. Детальному обсуждению преимуществ и не- достатков традиционных методов прогнозирова- ния посвящена работа [34]. С конца 80-х к решению задачи КСПН нача- ли привлекаться методы искусственного интел- лекта. Первыми здесь нашли применение экспер- тные системы [35, 36]. Данный подход предпола- гает умение специалистов обучить систему де- лать точные предсказания. Это сопряжено с се- рьезными методическими трудностями, связан- ными с формализацией приемов мышления чело- века и перевода их на внутренний язык представ- лений экспертной системы. В этом отношении выгодно отличаются ИНС. Они не требуют человеческого опыта работы с энергосистемой и изучают поведение нагрузки самостоятельно, запоминая архивные данные об энергопотреблении. Что касается точности прог- нозирования, то, как показано в [37], из трех сравниваемых кандидатов на роль краткосрочно- го предиктора электрической нагрузки (на базе fuzzy-контроля, нейросети и регрессионной моде- ли) лучшие результаты демонстрируют новые, а не классические решения. Все известные разработки предикторов элек- трической нагрузки базируются на нейросетях перцептронного типа. Основные трудности син- теза предиктора связаны с поиском ответов на следующие вопросы: – какие переменные нужно подать на вход ИНС; – сколько нейронов скрытого слоя способны обеспечить требуемую точность предиктора; № Тип задачи Публика- ция 1 Краткосрочное прогнозирование – прогнозирование спроса на электрическую энергию [1] – прогнозирование спроса на тепловую энер- гию [18] – прогнозирование спроса на природный газ [19] – прогнозирование предельной цены систе- мы в энергорынке [20] – прогнозирование объема генерации элек- троэнергии ветровыми станциями [21] – прогнозирование температуры наружного воздуха [22] 3 Диагностика состояния и локализация неис- правностей станционного и сетевого обору- дования [23] 4 Оценка устойчивости энергосистемы [24] 5 Моделирование интенсивности загрязнения окружающей среды энергоблоками – моделирование интенсивности выбросов SOx [25] – моделирование интенсивности выбросов NOx [26] Таблиця 1. Вычислительные задачи энергети- ки, в которых применение ИНС признано высо- коэффективным 54 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ – следует ли добиваться от одной универсаль- ной сети высокой точности прогнозирования энергопотребления для всех режимов работы энергообъекта или необходимо разделить задачу между несколькими сетями; – за какой период эксплуатации энергосисте- мы (энергообъекта) требуются данные, чтобы натренировать нейросеть. В настоящее время нейросетевые предикторы электрической нагрузки нашли применение на диспетчерских центрах энергосистем во многих странах мира – США, Канаде, Греции, Велико- британии, Франции, Бельгии, Тайване. Наиболее известной из нейросетевых систем прогнозирова- ния является ANNSTLF, развиваемая Electric Po- wer Research Institute (США) с 1992 года по се- годняшний день [38]. Небезынтересно сравнить данные по предик- торам, синтезированным независимыми группа- ми исследователей из Electricite De France (Франция) [39] и Public Power Corporation (Гре- ция) [40]. Французские исследователи рассмотрели две возможные компоновки сети. Первая сеть обра- батывала максимально развитый набор входных переменных, потенциально оказывающих влия- ние на уровень потребления электроэнергии. Вторая сеть имела сокращенный набор входных нейронов, принимающих сигналы, наиболее сильно коррелирующие с динамикой электропот- ребления. Максимальная сеть имела 134 входа: 1-35 – нагрузка за предыдущие 35 дней; 36-42 – номер дня в неделе; 43-114 – максимальное и мини- мальное значение суточной температуры за пос- ледние 5 суток и прогноз на ближайшие сутки в шести городах Франции; 115-126 – прогноз об- лачности (максимальная и минимальная) по шести городам на ближайшие сутки; 127-134 – последние 7 ошибок в предсказании, допущен- ных сетью. Минимальная сеть содержала 18 входных нейронов: последние 5 значений нагрузки, пос- ледние 5 среднесуточных значений температуры, а также прогноз по температуре на ближайшие сутки; 7 логических входов для дня недели. Как максимальная, так и минимальная моде- ли имели всего три нейрона в скрытом слое и один выходной нейрон. Сравнивая результаты работы нейросетевых моделей предиктора с традиционными решения- ми (по модели ARIMA – авторегрессия со сколь- зящим средним), авторы пришли к выводу, что для тренировки сети нужно не так уж много дан- ных. Хотя интегральная ошибка сети за 1990 год почти в два раза превысила ошибку модели ARIMA, по количеству крупных ошибок сеть де- монстрировала лучшие результаты. Кроме того, обращало на себя внимание то, что эти крупные ошибки приходились на выходные и празднич- ные дни. Другое преимущество нейросетевого подхода разработчики увидели в возможности предсказа- ния более чем на один шаг (день) вперед, а также в возможности включения экономических крите- риев в процесс настройки сети. Дело в том, что обыкновенно для оценки ошибки предсказания используются квадратичные интегральные оцен- ки качества. Для энергетики же более важным яв- ляется исключение грубых ошибок. Поэтому ав- торы использовали не квадратичную, а, как они пишут, более высокую степень ошибки (8). В варианте, синтезированном Public Power Corporation, предиктор имел 63 входных нейро- на, 24 скрытых и 24 выходных (по количеству часов в следующих сутках). Первые 48 входов представляют собой двухсуточную историю по- ведения нагрузки, записанную с дискретностью в 1 час. Входы 49-56 представляют собой прог- ноз максимальной и минимальной температуры на ближайшие сутки, а также минимум и макси- мум температуры в текущих сутках, зарегистри- рованные на севере и юге Греции. Последние 7 входов служат для ввода номера текущего дня недели. По мнению авторов, использование дру- гих дополнительных переменных, характеризу- ющих динамику суточного изменения темпера- туры, в условиях мягкого климата Греции не способствует повышению точности предсказа- ния. Проанализировав три варианта компоновки сети (универсальная на все рабочие дни недели, натренированная по данным одного года – 7 од- нодневных сетей с тем же опытом тренировки – 7 однодневных сетей, натренированных на пяти- летних данных эксплуатации), разработчики от- дали предпочтение первому варианту как обеспе- чивающему наивысшую точность предсказания (с ошибкой на уровне 2,5%) и наиболее удобному для работы. Нейронные сети могут использоваться не только для предсказания электрической нагруз- ки в системе, но и для прогнозирования объемов потребления природного газа регионом. Сеть, разработанная для предсказания часо- вого потребления газа в Energy Research Institute, ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 55 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ Syracuse, NY, имеет несколько отличную от опи- санных ранее вариантов архитектуру [19]. Она содержит 24 тесно увязанные между собой подсе- ти по количеству часов в сутках. Каждая часовая подсеть содержит 12 входных нейронов (четыре погодных параметра для трех городов), от двух до пяти скрытых узлов и один выходной нейрон. В дополнение, каждая подсеть имеет перекрестные связи с двумя ближайшими соседями на уровне скрытых и выходных слоев. Таким образом, скрытые нейроны подсети текущего часа получа- ют сигналы от подсетей предыдущего и следую- щего часов и выполняют кодирование тенденций изменения погодных условий на трехчасовом ин- тервале. Учитывая, что и выходной нейрон полу- чает информацию от скрытых нейронов двух ближайших подсетей, прогноз в потреблении га- за осуществляется фактически на основе анализа пятичасового периода. Наш собственный опыт прогнозирования энергопотребления в бытовом секторе показыва- ет, что нейросетевые одношаговые предикторы вполне успешно могут использоваться не только для решения задачи оперативного прогнозирова- ния (рис. 3, а), но и в режиме многошагового предсказания (рис. 3, б) [41, 42]. В последнем случае предиктор учитывает фактическое состоя- ние динамического объекта y только на первом шаге предсказаний, после чего делает каждый последующий шаг, отталкиваясь от собственного прогноза, сделанного на предыдущем шаге, а так- же от вспомогательных прогностических данных, касающихся метеоусловий и, при необходимос- ти, режимов работы смежных ветвей энергоснаб- жения, включаемых в перечень входных пере- менных x. В таблице 2 представлены результаты наших исследований, демонстрирующие, с одной сторо- ны, общность, а с другой – разницу в структуре входных параметров предикторов энергопотреб- ления, обусловленную спецификой потребления энергоресурсов в бытовом секторе. Параметры ИНС Публикация [43] [44] [45] [46] Выходные переменные, прогнозируемые нейросетью Электропотребление: – часовое + – суточное + Газопотребление, суточное + Температура теплоносителя, часовая + Входные переменные нейросети Условия прогнозирования – время суток + + – тип дня недели + + + + – календарная дата + + + Наружная температура – текущее значение + + + – прогноз + + + + Электропотребление – текущее значение + + – лаговые значения + Газопотребление – текущее значение + – лаговые значения + Теплопотребление – текущее значение + + + – прогноз + + + Температура теплоносителя – лаговые значения + Архитектура РБФ-сети 12-37-1 9-9-1 10-10-1 7-22-1 Количество настраиваемых переменных 481 90 110 176 Рис. 3. Варианты использования одношагового предиктора Таблиця 2. Предикторы энергопотребления в бытовом секторе, разработанные в 2000-2005 гг. 56 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ Специфика эта, прежде всего, заключается в том, что в силу ряда причин потребление энерго- ресурсов в быту имеет взаимосвязанный и взаи- мообусловленный характер, проявляющийся в наличии сильной зависимости между полнотой удовлетворения спроса на тепло и интенсивно- стью потребления электрической энергии и при- родного газа жилыми массивами, находящимися в зоне действия системы централизованного теп- лоснабжения (СЦТ). Независимо от времени го- да недоотпуск тепловой энергии населению (как в форме теплоносителя для отопления зданий в осенне-зимний период, так и в форме горячей во- ды для хозяйственно-бытовых нужд летом) при- водит к резкому росту электрической нагрузки подстанций, через которые осуществляется элек- троснабжение жилых массивов, а также увеличе- нию объемов потребления природного газа, пред- назначенного для приготовления пищи. Именно поэтому разработанные нами предикторы энер- гопотребления учитывают в явном виде не толь- ко текущие, но и планируемые объемы отпуска тепла жилым массивам от источников СЦТ на интервале прогнозирования [47, 48]. В силу того, что комплексная застройка круп- ных городов осуществлялась на протяжении не одного десятка лет, когда предпочтения отдава- лись разным типовым проектам зданий и, соот- ветственно, схемам их энергоснабжения, каждый жилой массив имеет свою специфику взаимосвя- занного и взаимозависимого потребления ТЭР. Для исследования этой специфики в каждом кон- кретном случае необходимо собрать архив энер- гопотребления, заботясь о том, чтобы данные по электропотреблению, теплопотреблению и газо- потреблению относились к одному и тому же тер- риториальному образованию. Кроме того, жела- тельно, чтобы исследуемое территориальное об- разование (один или группа крупных жилых мас- сивов) принадлежало к тепловому району одного источника СЦТ. Потому что конечная цель всей этой кропотливой работы состоит в том, чтобы научиться управлять режимами теплоснабжения, контролируя спектр потребления всех видов ТЭР в быту. Для того, чтобы одношаговый предиктор мог обеспечивать приемлемую точность предсказа- ния и в многошаговом режиме, например, при выполнении сценарных исследований длитель- ностью в 20-30 шагов, он должен быть тщательно настроен в процессе обучения. Наш опыт показы- вает, что при использовании в процессе обучения предиктора реальных данных по электропотреб- лению, собранных АСКУЭ энергоснабжающей компании АК "Харьковоблэнерго", погрешность запоминания нейросетью тренировочного набора шаблонов обыкновенно составляет 2,5-3,5%. Мы считаем этот результат весьма хорошим, потому что, сравнивая его с опубликованными данными, касающимся точности прогнозирования нагруз- ки энергосистем, нельзя забывать, что в нашем случае изучаемые ансамбли потребителей отли- чаются относительной малочисленностью (около сотни тысяч жителей). При тестировании пре- диктора электропотребления на проверочной вы- борке из архива энергопотребления погрешность несколько возрастает и достигает 5-6%. При прогнозировании же в реальном времени (сего- дня на завтра) она становится еще больше, пото- му что при этом появляется дополнительный ис- точник неопределенности – метеопрогноз. Но да- же в этом случае максимальная ошибка редко превышает 15%, а стандартное отклонение ошиб- ки составляет 8-9%. Для тех задач управления энергопотреблением, которыми мы занимаемся в последние годы, эта точность является более чем достаточной, поскольку на практике важнее знать не абсолютный прирост уровня электро- потребления в быту, а общее направление в дина- мике его изменения – станет ли оно завтра боль- ше, чем сегодня, или наоборот, меньше. Именно по этому критерию – способности пра-вильно предсказывать направление прироста – мы и от- бираем наилучший предиктор из группы конку- рирующих вариантов, равноценных с точки зре- ния относительной ошибки прогнозирования. Что касается природного газа, то здесь ситуа- ция несколько хуже из-за того, что сбор данных по газопотреблению в бытовом секторе до сих пор не автоматизирован. Большое негативное влияние на качество архива газопотребления оказывает человеческий фактор. Для того, чтобы верифицировать данные по газопотреблению в бытовом секторе, приходится проделывать боль- шую подготовительную работу, прибегая к хитро- умным приемам селекции достоверных данных, использующие перекрестный анализ данных по энергопотреблению, собранных смежными вет- вями энергоснабжения. Тем не менее, и в этом случае удается добиться хорошего качества обу- чения предиктора с погрешностью прогнозирова- ния на уровне 3,5-4,5%, возрастающей до 6-8% при переходе к проверочной выборке. Для сравнения отметим еще один любопыт- ный факт – если пытаться прогнозировать элек- тро- и газопотребление в бытовом секторе вне ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 57 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ связи с фактическими и планируемыми режима- ми отпуска тепла жилым массивам, то есть игно- рируя подверженность обоих процессов влиянию со стороны СЦТ, погрешность предсказания су- точных объемов электропотребления удваивает- ся, а суточных объемов газопотребления возрас- тает даже сильнее. Это дает основание предпола- гать, что в холодные зимы режимы работы СЦТ в крупных городах должны приниматься во внима- ние и при прогнозировании электрической наг- рузки Объединенной энергосистемы Украины, и при назначении лимитов потребления природно- го газа регионам. Диагностика состояния и локализация неис- правностей. В последние годы в связи с физичес- ким износом распределительных сетей проявле- ние неисправностей приобретает все более ус- ложненный характер. В результате возрастают масштабы последствий аварий. В этой связи не- обходимо, чтобы оператор диспетчерского цен- тра быстро и точно идентифицировал повреж- денную секцию, оценивал природу неисправнос- ти и выбирал необходимые инструкции по изоля- ции секции и ее последующему восстановлению. Анализ данных, поступающих от энергосисте- мы, может выполняться на основе либо логичес- ких методов, либо моделей состояния, к каковым можно отнести и нейросетевые модели. В первом случае анализируются действия, в том числе пос- ледовательность срабатывания устройств защи- ты, и на основе известной топологии сети логи- чески определяется место повреждения. Во вто- ром случае выполняют сравнение текущих опе- ративных данных о состоянии системы с данны- ми от эталонной модели и по характеру расхож- дения стремятся понять, какие неисправности могли вызвать изменение в состоянии системы. Типичным примером применения ИНС для локализации неисправностей станционного обо- рудования служит работа [23]. Здесь для поиска короткозамкнутых витков в обмотке возбужде- ния турбогенератора разработана и обучена фаз- зифицированная нейронная сеть. Суть метода диагностики сводится к следующему. На оба кон- ца обмотки возбуждения одновременно подают- ся одинаковые по форме сигналы. Нейросеть обучается различать отдельные особенности в форме ответных импульсов и по ним делать зак- лючение о наличии короткозамкнутых витков в обмотке. Предложенный метод опробован на генерато- ре мощностью 60 МВА. Генератор содержал 14 катушек по 17 витков каждая. Короткие замыка- ния между обмотками преднамеренно провоци- ровались, чтобы собрать тренировочный набор данных. Сеть в конечном варианте содержала 13 входных нейронов, один скрытый слой и шесть выходных нейронов. После обучения при помо- щи алгоритма обратного распространения ошиб- ки сеть была подвергнута проверке на 60 вариан- тах локализации замыканий в обмотке и во всех случаях показала себя хорошо. Другой пример успешного применения ИНС для моделирования работы АЭС представлен в [49]. Авторам удалось построить нейросетевую модель энергоблока АЭС и, используя приемы анализа чувствительности, выявить с ее помо- щью четыре наиболее важные из 24 входных пе- ременных, оказывающих влияние на тепловые характеристики блока. С моделированием работы оборудования энергоблоков тесно связана проблема создания тренажеров для обучения персонала. В [50] опи- сан тренажер, в котором установившиеся режи- мы работы генератора имитируются при помощи классической модели, в то время как для имити- рования переходных режимов использована ней- росетевая модель. Обе модели работают в реаль- ном масштабе времени и обеспечивают удовлет- ворительную точность. Проблемы применения ИНС в энергетике Без доступа к реальным данным об объекте управления нейросети остаются вычислительной платформой с резко ограниченными возможно- стями применения. Мы можем сколь угодно мно- го знать об объекте, но в рамках нейросетевой технологии единственно возможный способ "вложить" эти знания в модель – правильно сформировать набор входных переменных, ре- ально влияющих на точность прогнозирования того или иного ее параметра. На практике знания об объекте ограничены и не всегда удается с первой попытки решить эту задачу. Иногда требуются месяцы настойчивых усилий по выполнению многовариантных иссле- дований, прежде чем удается понять, какой набор входных переменных является необходимым и в то же время достаточным для реализации того потенциала знаний об объекте, который имеется в архиве его переходных характеристик. Особые трудности в понимании того, что де- лается, вызывает неопределенность причины, по- чему не удается снизить погрешность запомина- ния тренировочных шаблонов до приемлемого уровня. То ли набор входных параметров модели 58 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ не удовлетворяет требованию достаточности, то ли слишком маленький размер скрытого слоя? Нельзя быть до конца уверенным и в том, что ар- хив переходных характеристик содержит доста- точно разнообразные эпизоды реакций объекта на возмущения и управляющие воздействия, в которых динамические характеристики объекта раскрывались бы с должной полнотой. Одним словом, только добившись хорошей точности воспроизведения нейромоделью трени- ровочных данных, только убедившись, что она хорошо обобщает данные из проверочной выбор- ки, можно сказать, что вам удалось установить, какие переменные состояния объекта действи- тельно описывают его статику или динамику. И в этом состоит, по-видимому, главный научный ре- зультат, которым смогут воспользоваться ваши последователи, берясь за решение аналогичной задачи. Что же касается самих оптимальных зна- чений вектора настроечных параметров нейросе- ти, они являются вторичным по значимости ре- зультатом, нуждающимся в периодической пере- настройке. Действительно, любые энергообъекты харак- теризуются полиморфизмом структуры. В одних условиях они функционируют в рамках одной конфигурации, но при изменении внешних усло- вий (это может быть просто ремонтная кампа- ния) легко изменяют ее. К этому стоит еще доба- вить, что многие энергообъекты находятся в неп- рерывном развитии. Как, скажем, в нашем проек- те – структура энергоприемников в бытовом сек- торе, которая непрерывно обновляется потреби- телями. И это тоже приводит к необходимости корректировки моделей электропотребления, ко- торая сводится как раз к параметрической адап- тации настроечных параметров нейросети, не зат- рагивающей структуры набора входных перемен- ных [51]. В последнее время в составе многих приклад- ных пакетов математического обеспечения поя- вилось огромное количество программных про- дуктов по настройке нейросетей. Одновременно с этим, особенно среди молодых ученых, получили широкое распространение взгляды, что нейрон- ные сети являются исключительно мощным инс- трументальным средством, которому нужно только выдать имеющиеся у вас временные пос- ледовательности, чтобы на выходе получить го- товую модель объекта. Наш опыт свидетельствует об обратном – не понимая, как ведет себя объект в тех или иных ситуациях, не представляя себе структуры при- чинно-следственных связей, формирующих ре- акции объекта на внешние возмущения и управ- ляющие воздействия, не овладев, наконец, прие- мами, с помощью которых можно верифициро- вать исходные данные, невозможно синтезиро- вать сколько-нибудь точную модель объекта или, если потребуется, ряд моделей, описывающих его различные структурные состояния. Огромным преимуществом ИНС является их способность работать в многомерных пространс- твах, включая пространства смешанного типа, в которых часть переменных являются непрерыв- ными, а часть – дискретными. Но реализация этой способности подразумевает наличие у раз- работчика соответствующих данных, а также умения правильно структурировать их в виде, удобном для запоминания. При наличии мощной компьютерной техники и прекрасных оптимиза- ционных программ это остается наиболее труд- ным этапом в разработке нейромоделей, плохо поддающимся формальному описанию в силу специфичности прикладной задачи, решаемой в каждом конкретном случае. В этом смысле моделирование с помощью ИНС продолжает оставаться чем-то вроде ис- кусства. Не оправдывая ожиданий в том, что с их помощью можно создать модели с привычным уровнем универсальности и прозрачностью, ней- ромодели, тем не менее, оказываются несравнен- но лучше подготовленными к применению для управления конкретными объектами. Сравнивая достоинства и недостатки ИНС с особенностями других технологий моделирова- ния, невольно можно прийти к выводу, что их на- значение состоит не в тотальном вытеснении классических моделей функционального типа, а в решении тех задач, в которых традиционные технологии показали слабину. Представляется, что это могут быть и классические задачи, но только формулируемые в более сложной, детали- зированной постановке, которая приводила бы к более глубокому и осмысленному пониманию практики эксплуатации энергообъектов. ИНС предоставляют такую возможность, и, имея та- кой мощный инструмент в руках, неразумно иг- норировать его возможности. Заключение Искусственные нейросети представляют со- бой универсальный инструмент для решения многомерных задач моделирования и управле- ния в энергетике. Относительно медленный темп развития переходных процессов в энерго- ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 59 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ системах в сочетании с резко возросшей вычис- лительной мощью персональных компьютеров позволяет нейросетям пробивать себе дорогу все в новых и новых прикладных областях. Их применение открывает реальные возможности для внедрения новых, более изощренных подхо- дов к методологии моделирования и управле- ния, обещающих переосмыслить практику экс- плуатации энергообъектов и сделать энергос- набжение потребителей более качественным и экономичным. Для того чтобы ИНС начали приносить ре- альную пользу отечественной энергетике, нужно приблизить их к самой энергетике, а именно – от- дать в руки тех, кто работает на энергопредприя- тиях, определяет положение дел на местах. Это требование входит в некоторое противоречие с тем способом распределения ответственности между научными, конструкторскими, надзорными и эксплуатационными подразделениями энерго- комплекса, в соответствии с которым осущест- вляется научное обслуживание энергетики. Если быть точнее – осуществлялось в советское время. Потому что сегодня система научного обслужи- вания энергетики, оставшись без должной фи- нансовой поддержки государства, почти утрати- ла прежнее влияние на научно-технический прогресс в отрасли. У энергокомпаний поэтому нет другого выхода, как самостоятельно финан- сировать научные исследования, чтобы путем усовершенствования практики технологического и организационно-экономического управления укреплять собственную конкурентоспособность. ИНС и в этом отношении имеют прекрасные шансы для привлечения к себе внимания со сто- роны новых собственников энергокомпаний, представляя собой рыночный по духу инстру- мент исследования "частностей", а не выпячива- ния "общностей". И последнее обстоятельство, которое может способствовать широкому внедрению нейросете- вых моделей в энергетике, это более тесная увяз- ка практики технологического управления объек- тами с экономическими показателями и критери- ями, а также активное использование в про-цессе планирования работы предприятия прогности- ческих моделей. Так, уже работает сегодня Опто- вый рынок электроэнергии. Вне всяких сомне- ний, будут работать и локальные рынки тепловой энергии. Смещение акцентов на краткосрочное прогнозирование рисков и затрат энергопредпри- ятия сделает ИНС более востребованным инстру- ментом, создаст стимулы для их активного освое- ния управленческим персоналом энергетики. 1. Park D.C; El-Sharkawi M.A., Marks II R.J., Atlas L.E., Damborg M.J. Electric load forecasting using an artificial neural network, IEEE Transactions on Power Systems, Vol. 6, No. 2, May 1991, pp. 442-449. 2. Dillon T.S., Sestito S. and Leung S. Short Term Load Forecasting Using an Adaptive Neural Network, Electrical Power and Energy Systems, vol. 13, no. 4, Aug. 1991. 3. Hsu, Y.Y., and Yang C.C. Design of Artificial Neural Networks for Short-Term Load Forecasting .2. Multilayer Feed-forward Net- works for Peak Load and Valley Load Forecasting. IEE Proceedings-C Generation Transmission and Distribution 138.5 (1991): 414-8. 4. Гордиенко Е.К., Куссуль М.Э., Иваницкая Т.В., Сычев А.С. Моделирование нейронного классификатора для решения задач прогноза в электроэнергетике // Техническая электродинамика. – Киев: Институт электродинамики НАНУ, 1995. – №4, сс. 61-65. 5. Вороновский Г.К., Махотило К.В., Сергеев С.А., Сергеенкова Г.Г. Краткосрочное предсказание электропотребления для крупного жилого массива города // Proc. of Third International Scientific and Technical Conference on Unconventional Electromec- hanical and Electrical Systems "UEES'97", Alushta, The Crimea, Ukraine, September 19-21, 1997, pp. 1073-1078. 6. Данилюк А.В. Опыт применения искусственных нейронных сетей в электроэнергетике // Вестник гос. ун-та "Львов- ская политехника": компьютерная инженерия и информационные технологии, 1999. – №380. – С. 116-120. 7. Петрашев С.М. Розроблення і впровадження нейросіткових технологій математичного моделювання для розв'язування прикладних проблем теплоенергетики: Автореф. дис... канд. техн. наук: 05.13.07 / Одеський держ. політехнічний ун-т. – Оде- са, 1997. – 17 с. 8. Махотіло К.В. Розробка методик еволюційного синтезу нейросіткових компонентів систем управління: Автореф. дис... канд. техн. наук: 05.13.06 / Харківський держ. політехнічний ун-т. – Харків, 1998. – 17 с. 9. Коваленко М.В. Короткострокове прогнозування зв'язного споживання паливно-енергетичних ресурсів в побутовому секторі в пріод опалювального сезону: Автореф. дис... канд. техн. наук: 05.14.01 / НТУ "ХПІ". – Харків, – 2005. – 20 с. 10. Вороновський Г.К. Автоматизоване оперативне управління централізованим теплопостачанням в умовах неповної ін- формації: Автореф. дис... д-ра техн. наук: 05.13.07 / НТУ "ХПІ".– Харків., 2003. – 32 с. 11. Данилюк О.В. Теоретичні засади та методи моделювання електроенергетичних систем на основі технологій штучних нейронних мереж: Автореф. дис... д-ра техн. наук: 05.14.02 / Ін-т електродинаміки НАН України. – К., 2003. – 36 с. 60 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ 12. Вороновский Г.К. Усовершенствование практики оперативного управления крупными теплофикационными системами в новых экономических условиях – Х.: Изд-во "Харьков", 2002.– 240 с. 13. Rosenblatt F. Principles of neurodynamics: Perceptrons and the theory of brain mechanisms. Spartan Books, 1962. Ф. Розенблатт. Принципы нейродинамики. Перцептроны и теория механизмов мозга //М: Мир, 1965. 480 с. 14. Broomhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. – 1988. – N 2. – P. 321-355. 15. Bashkirov O.A., Bravermann E.M., Muchnik I. B. Potential function algorithms for pattern recognition learning machines // Au- tomation and Remote Control. – 1964. – N 25. – P. 629-631. 16. Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral science: Ph.D. Thesis. – Harvard Univer- sity, Cambridge, MA, 1974. – 120 p. 17. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature (London). – 1986. – N 323. – P. 533-536. 18. Canu, S., Duran, M., and Ding, X., "District Heating Forecast using Artificial Neural Networks", International Journal of Engi- neering, Vol. 2(4), 1994. 19. Bacha H., Meyer W.A. Neural Network Architecture for Load Forecasting // Int. Joint Conf. on Neural Networks. Baltimor, Mar- yland, June 7-11, 1992.– vol.2.– pp.442-447. 20. Ramsey B., Wang A.J., A neural network model for predicting system marginal price in the UK power pool // Control Of Power Systems And Power Plants 1997, Proceedings of the IFAC/CIGRE Symposium, Beijing, China, 18-21 August 1997. 21. Kariniotakis G.N., Stavrakakis G.S., Nogaret E.F. Wind Power Forecasting using Advanced NNs Models //IEEE Power Engine- ering Review, dec96, p.52. 22. Khotanzad A., Davis M.H., Abaye A., Maratukulam D.J. An ANN Hourly Temperature Forecaster with Applications in Load Fo- recasting // IEEE Trans. on Power Systems.– 1996.– v.11.– N2.-pp870-876. 23. El-Sharkawi M.A., Marks II R.J., Oh S., Huang S.J., Kerszenbaum I. and Rodriguez A. Localization of Winding Shorts Using Fuz- zified Neural Networks, IEEE Transactions on Energy Conversion, vol. 10, no.1, March 1995, pp.147-155. 24. Aggoune M.E., El-Sharkawi M.A., Park D.C., Damborg M.J. and Marks II R.J., Preliminary results on using artificial neural net- works for security assessment, IEEE Transactions on Power Engineering, vol.6, pp.890-896 (1991) and vol.6, pp.1324-1325 (1991). 25. Boznar M., Lesjak M., and Mlakar P. A Neural Network Based Method for Short Term Predictions of Ambient SO 2 Concentra- tions in Highly Polluted Industrial Areas of Complex Terrain, Atmospheric Environment, 27B, (2), 1993, 221-230. 26. Bakal B., Adali T., S?nmez M. K., and Fakory R. Time Delay Neural Networks for NOx and CO Prediction in Fossil Fuel Plants, in Proc. of World Congress on Neural Networks, (Washington, DC), July 1995, vol. 3, pp. 111-115. 27. Hubele N.F., Cheng C.S. Identification of Seasonal Short-Term Forecasting Models Using Statistical Decision Functions // IEEE Trans. on Power Systems, 1990, v.5, N1, pp.40-45. 28. Papalexopoulos A.D., Hesterberg T.C. A Regression-Based Approach to Short Term System Load Forecasting // IEEE Trans. on Power Systems, 1990, v.5, N4, pp.1535-1547. 29. Box G., Jenkins G.M. Time Series Analysis, Forecasting and Control.– San Francisco: Holden Day, second edition, 1976. (Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. – М.: Мир, 1974. – 180 c.) 30. Vemuri S., Huang W.L., Nelson D.J. On-line Algorithms for Forecasting Hourly Loads of an Electric Utility // IEEE Trans on Po- wer Apparatus and Systems, 1981, v.100, N8, pp.3775-3784. 31. Bolzern P., Fronza G. Role of Weather Inputs in Short-Term Forecasting in Electric Load // Electric Power and Energy Systems.– 1986.– v.8.– N1.– pp.42-46. 32. Park J., Park Y., Lee K. Composite Modeling for Adaptive Short-Term Load Forecasting // IEEE Trans. on Power Systems, 1991, vol.6, N2, pp.450-457. 33. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. – Киев: "Техніка", 1971. 34. Gross G. Galiana F.D. Short Term Load Forecasting // Procs IEEE, 1987, v.75, N12, pp.1558-1573. 35. Rahman S., Bhatnagar R. An Expert System Based Algorithm for Short Term Load Forecast // IEEE Trans. on Power Systems.– 1988.– v.3.– pp.392-399. 36. Jabbour K., Riveros J.F.V., Landsbergen D., Meyer W. ALFA: Automated Load Forecasting Assistant // IEEE Trans. on Power Systems.– 1988.– v.3.– pp.908-914. 37. Liu K., Subbarayan S., Shoults R.R., Manry M.T., Kwan C., Lewis F.L., Naccarino J. Comparison of Short-Term Load Forecas- ting Techniques // IEEE Trans. on Power Systems.– 1996.-N2.– pp.877-882. 38. Khotanzad A., Rohani R.A., Lu T.L., Abaye A., Davis M. and Maratukulam D.J. ANNSTLF-A Neural-Network-Based Electric Load Forecasting System. IEEE Transactions on Neural Networks, 8:835-846, 1997. 39. Caire P., Hatabian G., Muller C. Progress in Forecasting by Neural Networks // Int. Joint Conf. on Neural Networks. Baltimor, Maryland, June 7-11, 1992.– vol.2.– pp. 540-545. 40. Bakirtzis A.G., Petridis V., Kiartzis S.J., Alexiadis M.C., Maissis A.H. A NN Short Term Load Forecasting Model for the Greek Po- wer System // IEEE Trans. on Power Systems.– 1996.– v.11.– N2.– pp.858-863. 41. Sergeev S.A., Mahotilo K.V. Evolutionary Synthesis of Dynamical Object Emulator Based on RBF Neural Network // Procee- dings of the First Online Workshop on Soft Computing WSC1 Aug.19-Aug.30, 1996, pp. 31-36. ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №14/2006 61 ÑÈÑÒÅÌÍ² ÄÎÑË²ÄÆÅÍÍß ÒÀ ÊÎÌÏËÅÊÑÍ² ÏÐÎÁËÅÌÈ ÅÍÅÐÃÅÒÈÊÈ 42. Voronovsky G.K., Mahotilo K.V., Sergeev S.A., Petrashev S.N. Genetic algorithm for training dynamical object emulator based on RBF neural network // International Journal of Applied Electromagnetics and Mechanics, V 9, 1998, pp. 65-74. 43. Вороновский Г.К., Ольшевський А.М., Махотило К. В. Прогнозирование суточного профиля электрической нагрузки крупного жилого массива // Вісник Національного технічного університету "Харківський по-літехнічний інститут". Збірник наукових праць. Темат. вип.: електро-енергетика і перетворююча техніка. – Харків: НТУ "ХПІ", 2002, №9 – Т.4., сс. 27-31. 44. Вороновский Г. К., Махотило К. В., Клепиков В.Б., Коваленко М.В. Нейросетевая модель связного потребления тепло- вой и электрической энергии крупным жилым массивом города // Вестник Харьковского государственного политехнического университета. – Харьков: ХГПУ, – 2000. – Выпуск 113. – С. 363-366. 45. Коваленко М.В., Махотило К. М. Нейросетевая модель прогнозирования потребления газа в жилищно-бытовом секто- ре // Вісник Національного технічного університету "Харківський політехнічний інститут". – Харків: НТУ "ХПІ", – 2002, №12 – Т.1. – С. 299-301. 46. Вороновский Г. К., Махотило К. В., Сергеев С. А. Моделирование температуры обратной сетевой воды ТЭЦ // Техніч- на електродинаміка. – Київ: Інститут електродинаміки НАНУ, 2005. – Темат. вип. Силова електроніка та енергоефектив- ність, Ч. 3. – С. 91-96. 47. Штучна прямоспрямована нейронна мережа для прогнозування попиту на електричну енергію в житлово-комуналь- ному секторі міського господарства: Патент на винахід № 44365. МПК G06F15/18 / Сергеєв С.О. та ін.; Заявлено 22.06.1999; Опубл. 15.02.2002; Бюл. № 2. 48. Система обліку і прогнозування обсягів добового споживання природного газу житловим масивом: Патент на винахід № 69482. МПК F24D19/10, G06F15/16 / Коваленко М.В. та ін.; Заявлено 05.03.2002; опубл. 15.09.2004; Бюл. № 9. 49. Guo Z., Uhrig R.E. Sensitivity Analysis and Application to Nuclear Power Plant // Int. Joint Conf. on Neural Networks. Balti- mor, Maryland, June 7-11, 1992.– vol.2.– pp.453-458. 50. Xianshu L., Wenhua Y. New Generator Models for Power Plant Training Simulators // IEEE Trans. on Power Systems.– 1996.– v.11.– N2.– pp.1090-1095. 51. Вороновский Г.К., Махотило К.В., Сергеев С. А. Опыт синтеза и использования математических моделей потребления электрической энергии в быту // Технічна електродинаміка. – Київ: Інститут електродинаміки НАНУ. – 2004. – Темат. вип. Проблеми сучасної електротехніки. – С. 33-41.
id	systemreorg-article-290
institution	System Research in Energy
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-07-19T01:08:58Z
publishDate	2006
publisher	General Energy Institute of the National Academy of Sciences of Ukraine
record_format	ojs
resource_txt_mv	systemreorg/9d/f27c96c39fce1c69c32aa95f9522159d.pdf
spelling	systemreorg-article-2902026-07-18T12:57:36Z Problems and prospects of the artificial neuron networks using in energy Проблеми і перспективи використання штучних нейронних мереж в енергетиці. Частина І. Моделювання Voronovskiy G.K. Makhotilo K.V. Sergeev S.O. artificial neuron networks; simulation; forecast; grids; thermal supply; neuron network predictor. штучні нейронні мережі, моделювання, прогнозування, енергосистема, теплопостачання, нейромережевий предиктор. The review of foreign and domestic publications is presented on application of artificial neuron networks for the decision of simulation tasks in energy, engulfing a period from 1991 to 2006. The special attention is spared short-term forecast of grids loading and also diagnostics of the state and localization of disrepairs of equipment. Experience of authors is generalized in the synthesis of neuron network predictors of electric energy and natural gas consumption in a domestic sector, taking into account the influence of the thermal supply modes on the spectrum of energy resources consumption by population. Наведено огляд іноземних та вітчизняних публікацій із застосування штучних нейронних мереж для вирішення задач моделювання в енергетиці, який охоплює період з 1991-го до 2006 року. Особливу увагу приділено короткотерміновому прогнозуванню навантаження енергосистем, а також діагностиці стану та локалізації несправностей обладнання. Узагальнено досвід авторів у синтезі нейромережевих пре-дикторів споживання електричної енергії та природного газу в побутовому секторі, які враховують вплив режимів теплопостачання на спектр споживання енергоресурсів населенням. General Energy Institute of the National Academy of Sciences of Ukraine 2006-12-04 Article Article application/pdf https://systemre.org/index.php/journal/article/view/290 System Research in Energy; No. 2 (14) (2006): The Problems of General Energy; 50-61 Системні дослідження в енергетиці; № 2 (14) (2006): Проблеми загальної енергетики; 50-61 2786-7102 2786-7633 uk https://systemre.org/index.php/journal/article/view/290/238 Copyright (c) 2006 Voronovskiy G.K., Makhotilo K.V., Sergeev S.O. https://creativecommons.org/publicdomain/zero/1.0
spellingShingle	artificial neuron networks simulation forecast grids thermal supply neuron network predictor. Voronovskiy G.K. Makhotilo K.V. Sergeev S.O. Problems and prospects of the artificial neuron networks using in energy
title	Problems and prospects of the artificial neuron networks using in energy
title_alt	Проблеми і перспективи використання штучних нейронних мереж в енергетиці. Частина І. Моделювання
title_full	Problems and prospects of the artificial neuron networks using in energy
title_fullStr	Problems and prospects of the artificial neuron networks using in energy
title_full_unstemmed	Problems and prospects of the artificial neuron networks using in energy
title_short	Problems and prospects of the artificial neuron networks using in energy
title_sort	problems and prospects of the artificial neuron networks using in energy
topic	artificial neuron networks simulation forecast grids thermal supply neuron network predictor.
topic_facet	artificial neuron networks simulation forecast grids thermal supply neuron network predictor. штучні нейронні мережі моделювання прогнозування енергосистема теплопостачання нейромережевий предиктор.
url	https://systemre.org/index.php/journal/article/view/290
work_keys_str_mv	AT voronovskiygk problemsandprospectsoftheartificialneuronnetworksusinginenergy AT makhotilokv problemsandprospectsoftheartificialneuronnetworksusinginenergy AT sergeevso problemsandprospectsoftheartificialneuronnetworksusinginenergy AT voronovskiygk problemiíperspektivivikoristannâštučnihnejronnihmerežvenergeticíčastinaímodelûvannâ AT makhotilokv problemiíperspektivivikoristannâštučnihnejronnihmerežvenergeticíčastinaímodelûvannâ AT sergeevso problemiíperspektivivikoristannâštučnihnejronnihmerežvenergeticíčastinaímodelûvannâ

Problems and prospects of the artificial neuron networks using in energy

Репозитарії

Схожі ресурси