МЕТОДИКА ФОРМИРОВАНИЯ ПРОГНОЗНЫХ ЗНАЧЕНИЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ В МЕТАЛЛУРГИИ С ПОМОЩЬЮ АППАРАТА НЕЙРО-НЕЧЕТКИХ СЕТЕЙ

Бажинов Алексей Николаевич

инженер-программист, Управления информационных технологий

ФГБОУ ВПО «Череповецкий государственный университет», г. Череповец

E-mail:

Эффективное управление любым промышленным объектом возможно только в случае, когда основные закономерности, присущие объекту, определены и представлены в виде математических моделей [5, с. 35].

Потребление электроэнергии в металлургической промышленности зависит от множества производственных и технологических факторов, набор которых не постоянен и зависит от характера прогнозирования и объекта энергопотребления [6, с. 102].

Исходные данные для прогнозной модели электропотребления могут быть взяты из энергетического баланса объекта, которым может быть агрегат, например дуговая сталеплавильная печь, цех, производство, предприятие, отрасль [6, с. 148].

Процесс прогнозирования электропотребления предприятием металлургического профиля разбит на этапы:

1.  Сбор данных для обучения: набор данных для обучения должен удовлетворять как минимум двум критериям: репрезентативность — данные должны иллюстрировать истинное положение вещей в предметной области и непротиворечивость — противоречивые данные в обучающей выборке приведут к плохому качеству обучения сети.

2.  Предобработка данных: исходные данные преобразуются к виду, в котором их можно подать на входы сети. Каждая запись в файле данных называется обучающей парой или обучающим вектором. Обучающий вектор содержит по одному значению на каждый вход сети и по одному значению для каждого выхода сети. Нормализация выполняется, когда на различные входы подаются данные разной размерности. Например, если на первый вход сети подается величина со значениями от нуля до единицы, а на второй — от ста до тысячи, то значения на втором входе будут всегда оказывать существенно большее влияние на выход сети, чем значения на первом входе. При нормировке размерности всех входных и выходных данных сводятся.

3.  К трансформированным данным применяются методы более глубокого анализа. На этом этапе выявляются скрытые зависимости и закономерности в данных, на основании которых строятся различные модели. Модель представляет собой шаблон, который содержит в себе формализованные знания.

4.  Этап интерпретации предназначен для того, чтобы из формализованных знаний получить знания на языке предметной области, т.е. получить численное прогнозное значение электропотребления на заданный интервал упреждения.

5.  Последним этапом является тиражирование знаний – предоставление экспертам-энергетикам предприятия возможности практического применения построенных моделей.

Для восстановления пропущенных и редактирования аномальных значений в рядах ретроспективной информации будем использовать Zet-алгоритм. Данный алгоритм учитывает закономерности ряда, может работать как с одномерными рядами данных, так и с таблицами данных, состоящих из множества взаимосвязанных рядов, указывает случаи, в которых имеющихся данных недостаточно для восстановления пропусков. Особо следует отметить возможности этого метода при восстановлении групповых пропусков в таблицах данных. Ни один из остальных исследуемых методов не способен выполнить такую задачу с приемлемой точностью, в то время как Zet-алгоритм показывает хорошие результаты [1, с. 241].

У данного метода есть ограничения. Например, между данными должна прослеживаться причинно-следственная (вероятностная) связь, а количество существующих наблюдений, по которым восстанавливаются пропуски, не должно быть малым. Однако специфика задачи прогнозирования электропотребления устраняет данные ограничения в сути своей постановки.

В табл. 1 приведена зависимость ошибок восстановления данных от количества пропусков.

Таблица 1. Ошибка восстановления данных в зависимости от количества пропусков

Было отмечено, что потребление электроэнергии в металлургической промышленности зависит от множества производственных и технологических факторов, набор которых не постоянен и зависит от характера прогнозирования и объекта энергопотребления.

Сокращение числа независимых переменных призвано уменьшить размерность модели не только с тем, чтобы удалить из нее все незначащие признаки, не несущие в себе какой-то полезной для анализа информации, и тем самым упростить и разгрузить модель, но и чтобы устранить избыточные признаки. Дублирование информации в составе избыточного признака не просто не улучшает качество модели, но и порой, наоборот, ухудшает его (как, например, в случае с мультиколлинеарностью) [4, с. 231].

В качестве метода определения основных влияющих факторов на потребление электроэнергии будем использовать математический аппарат деревьев принятия решения [2, с. 96].

Вычисления значимости атрибутов показали, что основными факторами, определяющими достоверность краткосрочного прогноза потребления электроэнергии в крупном металлургическом промышленном центре, являются автокорреляционные: потребление электроэнергии в предыдущий день, два дня и семь дней назад, а также объем производства в предыдущий день, статус дня, среднесуточная температура воздуха и долгота светового дня.

Процент значимости этих факторов на величину электропотребления приведен в табл.2.

Таблица 2. Значимость основных факторов для прогнозной величины электропотребления в задаче суточного прогнозирования

Для непосредственного прогнозирования величин электропотребления используется нейро-нечеткая сеть. Обучение нейро-нечеткой сети происходит на массивах ретроспективных данных. Информационные массивы включают информацию об электропотреблении, а так же данные производственных и технологических факторов, определяющих профиль и величины фактического потребления электроэнергии цехом (объем поставок сырья, объем самого производства и т. д.). В процессе обучения нейро-нечеткая сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных. На рис. 1 представлен график прогнозных величин потребления электроэнергии предприятием металлургического профиля.

Рисунок 1. Прогнозный график потребления электроэнергии

Для реализации концепции тиражирования знаний - последнего этапа работы системы – необходимо [3, с. 74]:

·     подобрать способы визуализации и отобразить результаты обработки наиболее удобным способом.

·     предоставить возможность работать экспертам с формализованными знаниями как с «черным ящиком», т.е. без необходимости вникать в то, каким образом реализована обработка внутри.

На рис. 2 представлена структурная схема обобщенной оценки объемов потребления электрической энергии.

Рисунок 2. Структурная схема обобщенной оценки объемов потребления электрической энергии

Результаты экспериментальных исследований подтверждают высокую надежность и эффективность разработанной методики формирования прогнозных значений электропотребления в металлургии с помощью аппарата нейро-нечетких сетей.

Предложенный метод прогнозирования потребления электроэнергии позволяет уменьшить ошибку прогноза до 2÷5 %, улучшая экономические показатели производства в крупном металлургическом центре.

Список литературы:

1.            Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики, М.: Юнити, 1998. С. 1005

2.            Коршунов Ю. М. Математические основы кибернетики. М.: Энергоатомиздат, 1987. С. 496

3.            Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. Физматлит, 1996. С. 208

4.            Левитин А.В. Алгоритмы: введение в разработку и анализ, М.: Вильямс, 2006. С. 576

5.            Никифоров Г.В., Олейников В.К., Заславец Б.И. Энергосбережение и управление электропотреблением в металлургическом производстве. М.: Энергоатомиздат, 2003. C. 480.

6.            Цымбал В.П. Математическое моделирование металлургических процессов. М.:Металлургия, 1986. С. 239