Статья
| Наименование | Прогнозирование затрат на электроэнергию угледобывающих предприятий в современных условиях | ||||
| Авторы |
|
||||
| Раздел | Экономико-математическое моделирование, бизнес-информатика | ||||
| Год | 2019 | Выпуск | 2 | Страницы | 34 - 45 |
| УДК | 330.4:338.27 | EDN | MEEFWN | ||
| Аннотация | Рассмотрена проблема прогнозирования затрат на электроэнергию угледобывающего предприятия. Выявлены основные факторы, влияющие на уровень энергопотребления: горно-геологические, технологические, климатические, случайные (выбросы, горные удары, обрушение выработок). Рассмотрены используемые в настоящее время для прогнозирования методы и математические модели: регрессия, анализ Фурье, вейвлет-анализ, искусственные нейронные сети. Произведено оценивание погрешности для каждого из известных методов. Показано, что в условиях высокой степени неопределенности, характерной для горно-геологических работ, целесообразно для прогнозирования уровня затрат на энергопотребление шахты использовать нечеткие искусственные нейронные сети. | ||||
| Реферат | Цель. Анализ моделей и методов прогнозирования затрат на электроэнергию угледобывающего предприятия. Формирование рекомендаций по выбору модели или метода для прогнозирования энергопотребления.
Методика. Оценка погрешности прогнозирования при использовании регрессии, рядов Фурье, вейвлет-анализа и искусственных нейронных сетей. Построение совмещенных графиков исходных данных и результатов синтеза, произведенных при помощи моделей и методов, перечисленных выше. Результаты. Установлено, что наименьшую погрешность прогнозирования обеспечивают вейвлет-анализ и искусственные нейронные сети. Выявлена необходимость при прогнозировании энергопотребления учитывать дополнительные параметры, которые заданы в лингвистической форме. Предложено для прогнозирования энергопотребления использовать нечеткие искусственные нейронные сети. Научная новизна. Научная новизна заключается в предложении учета дополнительных параметров, влияющих на показатели энергопотребления угледобывающего предприятия, заданных при помощи лингвистических переменных. Для реализации такого учета предложено использовать нечеткую искусственную нейронную сеть. Практическая значимость. Полученные в работе результаты подтверждают необходимость применения аппарата нечеткой логики при прогнозировании энергопотребления на угледобывающем предприятии, а также целесообразность применения вместе с ним искусственных нейронных сетей, что обеспечивает наименьшую величину погрешности при прогнозировании. |
||||
| Ключевые слова | прогноз, временной ряд, регрессионная модель, ряд Фурье, вейвлет-анализ, искусственная нейронная сеть, нечеткое множество, лингвистическая переменная. | ||||
| Финансирование | |||||
| Благодарности | |||||
| Список источников |
1. Сахно, Е. П. К вопросу краткосрочного прогнозирования электрических нагрузок с применением нечетких нейронных сетей [Электронный ресурс] / Е. П. Сахно, Р. А. Дьяченко, М. Г. Решетняк, К. Ю. Капустин // Современные проблемы науки и образования. — 2013. — № 2. — Режим доступа: http://www.science-education.ru/ru/article/view?id=8745 (29.10.2019).
2. Староверов, Б. А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне [Текст] / Б. А. Староверов, М. А. Мормылёв // Вестник Ивановского государственного энергетического университета. — 2009. — № 4. — С. 78–81.
3. Горные науки. Освоение и сохранение недр Земли [Текст] / Под ред. К. Н.Трубецкого. — М.: Изд-во Академии горных наук, 1997. — 478 с.
4. Валь, П. В. Краткосрочное прогнозирование электропотребления горного предприятия с использованием однофакторных методов [Текст] / П. В. Валь // Вестник СибГАУ им. ак. М. Ф. Решетнева. — 2011. — Вып. 2. — С. 12–17.
5. Валь, П. В. Краткосрочное прогнозирование цены на электроэнергию в условиях оптового рынка электроэнергии и мощности [Электронный ресурс] / П. В. Валь, Н. С. Клепче // Молодежь и наука: сборник материалов VII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых / отв. ред. О. А. Краев. — Красноярск: СФУ. — 2011. — Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/thesis/s9/s9_30.pdf (29.10.2019).
6. Валь, П. В. Экономическая эффективность прогнозирования электропотребления в условиях оптового рынка электроэнергии и мощности [Электронный ресурс] / П. В. Валь // Молодежь и наука: сборник материалов VII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых / отв. ред. О. А. Краев. — Красноярск: СФУ. — 2011. — Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/thesis/s9/s9_29.pdf (29.10.2019).
7. Луценко, Б. Н. Идентификация и использование мультипликативных моделей авторегрессии и проинтегрированного скользящего среднего для прогнозирования процессов с сезонными колебаниями [Текст] / Б. Н. Луценко // Вычислительные технологии. — 2008. — Том 13, № 4. — С. 71–88.
8. Манусов, В. З. Краткосрочное прогнозирование электрической нагрузки на основе нечетко нейронной сети и ее сравнение с другими методами [Текст] / В. З. Манусов, Е. В. Бирюков // Известия Томского политехнического университета. — 2006. — Том 309, № 6. — С. 153–158.
9. Аверкин, А. Н. Нейросетевые и гибридные модели в моделировании временных рядов [Текст] / А. Н. Аверкин, С. А. Ярушев // Системный анализ в науке и образовании: электронный журнал. — 2014. — № 1. — 19 с.
10. Щербаков, М. В. Разработка и исследование гибридных нечётких моделей идентификации для прогнозирования потребления электроэнергии / М. В. Щербаков, М. А. Аль-Гунаид // Изв. ВолгГТУ. Серия: Актуальные проблемы управления, вычислительной техники и информатики в технических системах. Выпуск 15: межвуз. сб. науч. ст. — Волгоград, 2012. — № 15 (102). — C. 66–72.
11. Петрова, И. Ю Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS [Электронный ресурс] / И. Ю. Петрова, А. А. Глебов // Машиностроение и компьютерные технологии. — 2006. — № 7. — Режим доступа: https://cyberleninka.ru/article/n/prognozirovanie-elektropotrebleniya-s-pomoschyu-neyro-nechetkoy-sistemy-anfis (29.10.2019).
12. Аверкин, А. Н. Гибридная модель прогнозирования на основе глубинных нейронных сетей и когнитивного моделирования [Текст] / А. Н. Аверкин, С. А. Ярушев // Гибридные и синергетические интеллектуальные системы: материалы IV Всероссийской Поспеловской конференции с международным участием / под ред. А. В. Колесникова. — 2018. — С. 323–330; То же [Электронный ресурс]. — Режим доступа: https://elibrary.ru/download/elibrary_34914846_20238931.pdf (29.10.2019).
13. Староверов, Б. А.Информационная система прогнозирования на основе авторегрессивных нейронных сетей [Текст] / Б. А. Староверов, И. В. Семенов // Информационные системы и технологии: вопросы теории и практики: материалы I Всероссийской научно-практической конференции / под науч. ред. А. Р. Денисова. — 2018. — С. 28–33; То же [Электронный ресурс]. — Режим доступа: https://elibrary.ru/download/elibrary_36358056_39963509.pdf (29.10.2019).
14. Астафьева, Н. М. Вейвлет-анализ: основы теории и примеры применения [Текст] / Н. М. Астафьева // Успехи физических наук. — 1996. — Том 166, № 11. — С. 1145–1170.
15. Хайкин, С. Нейронные сети. Полный курс [Текст]: пер. с англ. / С. Хайкин. — [2-e изд.]. — М.: Вильямс, 2006. — 1104 с.: ил.
16. Оссовский, С. Нейронные сети для обработки информации [Текст] / С. Оссовский; пер. с польского И. Д. Рудинского. — М.: Финансы и статистика, 2002. — 344 с.
|
||||
| Полный текст |
|
||||