На правах рукописи ТОМИН Никита ВикторовичАНАЛИЗ И ПРОГНОЗИРОВАНИЕ РЕЖИМНЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК ДЛЯ СУБЪЕКТОВ РОЗНИЧНОГО РЫНКА ЭЛЕКТРОЭНЕРГИИ НА БАЗЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Специальность 05.14.02 – Электростанции и электроэнергетические системыАВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук Иркутск - 2007 Работа выполнена в ГОУ ВПО «Братский государственный университет» на кафедре Систем электроснабжения Научный руководитель: доктор технических наук, профессор^ Курбацкий Виктор ГригорьевичОфициальные оппоненты: доктор технических наукКолосок Ирина Николаевнакандидат технических наук^ Каштанов Юрий Борисович Ведущая организация: Новосибирский государственный технический университет (НГТУ) г. НовосибирскЗащита диссертации состоится 22 мая 2007 г. в 14-00 часов на заседании диссертационного совета Д.003.017.01 при Институте систем энергетики им. Мелентьева (ИСЭМ) СО РАН по адресу: 664033, Иркутск-33, ул. Лермонтова, 130С диссертацией можно ознакомиться в библиотеке Института систем энергетики им. Мелентьева СО РАН.Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим направлять по адресу: 664033, Иркутск-33, ул. Лермонтова, 130, ИСЭМ СО РАНАвтореферат разослан «20» апреля 2007 г. У ченый секретарь диссертационного совета Д.003.017.01 доктор технических наук А.М. Клер ^ ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИОННОЙ РАБОТЫ Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному, первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении чётко отлаженных взаимоотношений между потребителем и энергоснабжающей организацией. В соответствии с Федеральным законом «Об электроэнергетике» на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые покупатели-перепродавцы (энергосбытовые организации - ЭСО) и потребители. Взаимоотношения на рынке полностью контролирует государство в лице региональных энергетических комиссий (РЭК), которые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ. Купля-продажа ЭЭ осуществляется по строго установленным тарифам. При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ. Оптовый рынок ЭЭ состоит из двух частей: регулируемый сектор; сектор свободной торговли и балансирующий рынок. Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ). Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения. Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам. Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене. Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам. Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ, приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т.д.). К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учёта ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение. Введение новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и купли-продажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию. Вследствие этого существенно возрастает ответственность в решении задач анализа и прогнозирования режимных параметров* (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т.д.) и характеристик (потерь электроэнергии, температуры наружного воздуха и т.д.) для каждого * в зарубежных публикациях используется термин «regim var» - режимная переменная конкретного ЭСО. Одним из путей повышения качества решения указанных задач, с учётом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ – искусственных нейронных сетей (ИНС). Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта. В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций. Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырёва Л.Л., Воропая Н.И., Гамма А.З., Глазуновой А.М., Колосок И.Н., Курбацкого В.Г., Манова Н.А., Манусова В.З., Михайлова М.Ю., Успенского М.И., Хохлова М.В., Чукреева Ю.Я., Этингова П.В. и других. В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электроэнергетики низшего иерархического уровня*. Предложенные подходы ориентированы для применения в расчётах энергосбытовых и других сетевых организаций – субъектов РРЭ** с учётом современных условий. ^ Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системы, позволяющих эффективно решать задачи анализа и прогнозирования РПХ в рамках субъектов РРЭ. Для достижения этой цели в работе были поставлены и решены следующие задачи: Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач. Анализ существующих методов и подходов по прогнозированию РПХ. Анализ современных ТИИ, применяемых в электроэнергетике. Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях. Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО. Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ. Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ***)* к ним относят структурные подразделения энергосистемы, являющиеся частью РРЭ (ЭСО, электросетевые и энергоснабжающие организации, потребители ЭЭ и т.д.) ** под субъектами РРЭ понимаются следующие: потребители ЭЭ, гарантирующие поставщики, ЭСО, исполнители коммунальных услуг, сетевые организации и иные владельцы объектов электросетевых хозяйств, а также производители (поставщики) ЭЭ *** в работе под сокращением ПМИИ будем понимать предложенный подход к прогнозированию РПХ методами искусственного интеллекта^ Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные технологии искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных. Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту.^ Научная новизна На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза. Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ* с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации. Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами. Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях. ^ Практическая ценность. Разработанные методы и подходы и результаты выполненных исследований могут использоваться в ЭСО, электросетевых и энергоснабжающих организациях для решения практических задач анализа и прогнозирования различных РПХ. Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г. Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ). Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики. ^ Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями). При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода ТЭ для МБ ТЭП ЖКХ МО г. Братска достигнут экономический эффект порядка 644 000 (Шестьсот сорок четыре тысячи) рублей в год. (акт внедрения от 23 марта 2005 г.) Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий В.Г., Томин Н.В. АСДУ энергосистем. Братск: ГОУ ВПО «БрГУ», 2005. – 62 с. и используется в дисциплине «АСДУ энергосистем» для специальности 14020565.* в общем случае, под «очагом» потерь ЭЭ будем понимать участок электрической сети с повышенными фактическими потерями ЭЭ.Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на: International Scientific-Practical Conference “Communication-2004” (Киргизия, г. Бишкек, 2004 г.) XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г. Новосибирск, 2004 (диплом II-ой степени), 2005 гг.) II Всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (УГТУ-УПИ, г. Екатеринбург, 2004 г.) Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам №42 «Энергетика, электротехника и энергетическое машиностроение» и №43 «Энергосберегающие технологии» (г. Москва, 2005 г., диплом Министерства образования науки России) XII, XIII Всероссийских семинарах «Нейроинформатика и её приложения» (ИВМ СО РАН, г. Красноярск, 2004, 2005 гг.) IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (АмГУ, г. Благовещенск, 2005 г.) Научно-технических конференциях Братского государственного университета (БрГУ, г. Братск 2003-2006 гг.) Конференции молодых ученых ИСЭМ СО РАН (г. Иркутск, 2006 г., диплом Гран-при) Всероссийской научно-техническая конференции студентов, аспирантов и молодых учёных «Научная сессия ТУСУР-2006» (г. Томск, 2006 г.) V Международной конференции «Энергетическая кооперации в Азии: механизмы, риски, барьеры» (г. Якутск, 2006 г.). III International workshop «Liberalization and modernization of power systems: risk assessment and optimization for asset management» (ИСЭМ СО РАН, г. Иркутск, 2006 г.) Публикации. По теме диссертации опубликовано более 30 печатных работОбъём и структура диссертации. Диссертация состоит из введения; четырёх глав; заключения, списка литературы, 4-х приложений. Диссертация содержит 183 страницы основного текста, 50 рисунков, 34 таблицы. Список литературы насчитывает 130 наименований.^ ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫВо введении обосновывается актуальность проблемы эффективного решения задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ. Сформулированы цель и структура работы, показана научная новизна проведённых исследований и их практическая ценность. Приведены сведения о внедрении результатов работ, перечислены основные положения, выносимые на защиту.В первой главе дана постановка задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ. Актуальность получения «прозрачной картины» по обслуживаемым электрическим сетям энергосбытовых организаций и электросетевых предприятий продиктована новыми условиями, сложившимися на РРЭ. Каждый отдельный субъект РРЭ представляет собой обособленный элемент общей системы покупки и реализации ЭЭ, который для успешной финансовой деятельности должен проводить анализ основных РПХ, чаще всего самостоятельно. Сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) (рис. 1) требует от ЭСО* применения эффективных методов оценки и анализа, а также выработки корректных решений. Рис. 1. Механизм взаимоотношений субъектов РРЭ в сфере покупки и реализации электроэнергии в новых рыночных условияхЗначительные трудности возникают во взаимоотношениях ЭСО с ОРЭ. Риски и доходы, при покупке ЭЭ на ОРЭ и реализации её на РРЭ, полностью берёт на себя ЭСО Несмотря на многообразие методов и технических средств, которые позволяют в той или иной степени анализировать массивы РПХ, в настоящее время существует ряд моментов, связанных со спецификой отечественных электрических сетей, существенно затрудняющих решение задачи анализа РПХ, а именно: 1. ^ Недостаточная наблюдаемость электрической сети, возникающая вследствие низкой обеспеченности отечественных электрических сетей средствами измерения и учёта ЭЭ. 2. ^ Слабая проработка в современных методах анализа РПХ вопросов визуализации данных, что приводит к недостаточной «наглядности» анализируемых данных. Таким образом, в сложившихся условиях, необходимо создание эффективных методик анализа и визуализации РПХ, применимых к особенностям современного информационного обеспечения в электрических сетях субъектов РРЭ России. * под энергосбытовой организацией (или компанией) подразумевают субъект РРЭ, совмещающий продажу потребителям произведённой или купленной электроэнергии, с деятельностью по её передачи. В связи с развитием рыночных отношений в России значимость проблемы потерь ЭЭ, тесно связанной с вопросами тарифообразования и выделения в составе отчетных потерь ЭЭ составляющей нормативных потерь, существенно возросла. Кроме того, в процессе реформирования отечественной электроэнергетики возникает необходимость в разграничении ответственности за потери ЭЭ между субъектами РРЭ. Это требует разработки эффективных методов расчета и анализа потерь ЭЭ, позволяющих получить достоверные оценки потерь ЭЭ для каждого отдельного элемента электрической сети. Особое место в задаче расчёта и анализа потерь ЭЭ занимает проблема сверхнормативных потерь электроэнергии (СПЭ)*. Несмотря на то, что методика, утверждённая ФСТ, устанавливает порядок расчёта нормативов технологических потерь, проблемы СПЭ в ней не рассматриваются. В настоящая время прибыль ЭСО существенно снижается из-за наличия СПЭ. Как правило, это лишает ЭСО денежных средств, которые могли бы быть направлены на мероприятия по снижению этих потерь. Особенно остро эта проблема стоит в коммунальных распределительных сетях, где значительна доля бытового потребления и соответственно велики СПЭ. В главе показано, что основным «индикатором» при наличии негативной ситуации по потреблению ЭЭ в электрических сетях являются «очаги» потерь ЭЭ. В силу существенных различий в структуре электрических сетей и их протяжённости уровни фактических потерь ЭЭ будут представлять для каждой конкретной ЭСО вполне индивидуальное значение, зависящее от режимов работы электрических сетей и особенностей учёта поступления и отпуска ЭЭ. Таким образом, в настоящий момент при анализе потерь ЭЭ, для субъектов РРЭ крайне важно корректно выявлять «очаги» таких потерь ЭЭ и причину их возникновения, поскольку они в значительной степени предопределяют возможные финансовые убытки предприятия. Наряду с этим необходимо отметить, что недостаточный объём режимных данных и разобщённость сетевых участков (с.у.) энергорайонов существенно затрудняет анализ потерь ЭЭ в рамках традиционных методик, вследствие чего не представляется возможным с необходимой точностью выявлять «очаги» потерь ЭЭ В работе показано, что эффективным решением визуализации и анализа РПХ является использование карт данных, способных достаточно полно отразить особенности исследуемых РПХ в электрических сетях. Исследования показали, что наиболее информативным способом представления таких карт являются диаграммы Хилтона, когда на каждом узле сетки изображается квадрат, размер которого пропорционален числу точек данных, ближайших к данному узлу, а оттенок отражает значение соответствующего признака. Так, к примеру, в задаче анализа потребления ЭЭ можно в достаточно удобной и понятной форме визуализировать информацию о дебиторской задолженности по ЭЭ с отображением на диаграмме Хилтона всей необходимой информации (рис. 2) С переходом на РРЭ и формированием новых отношений между субъектами этого рынка на первый план выходит проблема тарифообразования, которая играет существенную роль в экономической деятельности ЭСО и тесно связана с задачей прогнозирования РПХ. * под сверхнормативными (коммерческими) потерями ЭЭ понимаются потери ЭЭ, обусловленные несоответствием показаний счётчиков ЭЭ у бытовых потребителей, хищениями ЭЭ и другими причинами в сфере организации контроля за потреблением ЭЭ. Рис. 2. Пример визуализации составляющей дебиторской задолженности в виде диаграммы Хилтона Так важность задачи прогнозирования электрической нагрузки предопределяется, прежде всего, возможным ущербом от ошибок прогноза, оказывающих существенное влияние на нормальную работу ЭСО. При сложившейся системе взаимоотношений как ЭСО, так и конечные потребители несут дополнительные затраты, связанные с отклонением фактического потребления ЭЭ от утверждённого, а следовательно они крайне заинтересованы в точных прогнозах потребления ЭЭ и электрической нагрузки на различные временные интервалы. Стоимость потерь ЭЭ является одной из составляющих тарифов на ЭЭ, поэтому ЭСО крайне важно знать ожидаемый процент потерь ЭЭ, в первую очередь СПЭ в обслуживаемых ей электрических сетях. Прогноз СПЭ необходим, прежде всего, для субъекта РРЭ, поскольку именно корректное обоснование предприятием для РЭК норматива потерь ЭЭ с учётом СПЭ позволит установить «разумный» тариф и значительно сократить возможные убытки ЭСО. В свою очередь, в соответствии с действующими нормативами каждое ТЭП обязано до 1 августа текущего года предоставлять прогнозные расчёты, обосновывающие тариф на ТЭ на предстоящий календарный год. На их основе РЭК формирует окончательный тариф на ТЭ для каждого отдельного ТЭП. Из вышесказанного, очевидно, что одним из основных мероприятий, позволяющих минимизировать издержки субъектов РРЭ, вызванных новыми правилами рынка является эффективное прогнозирование реализаций различных РПХ. В главе проанализированы традиционные подходы (АРПСС, экспоненциальное сглаживание, анализ Фурье и т.д.) и представлены современные технологии искусственного интеллекта (ИНС, генетические алгоритмы (ГА)) для прогнозирования РПХ на уровне субъектов РРЭ. Проведённые прогнозные расчёты, в рамках моделей АРПСС, показывают, что ошибки прогноза выше в случае, когда реализация процесса нестационарна и, как следствие, принятая модель АПРСС неадекватна анализируемой реализации. К сожалению, именно на уровне распределительных сетей – основной уровень субъектов РРЭ, реализации основных РПХ (электрическая нагрузка и электропотребление, потери ЭЭ и т.д.) нестационарны и содержат значительную величину нерегулярной оставляющей. Исследования показали, что для этих случаев, целесообразно применение методов искусственного интеллекта, в первую очередь ИНС и ГА. Во второй главе рассмотрены и выделены основные особенности современных ТИИ, а именно структуры ИНС и ГА, позволяющие эффективно решать задачи по анализу и прогнозированию РПХ, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками. Главными из выделенных особенностей являются: «интеллектуальные» алгоритмы не требуют построения сложных вычислительных моделей изучаемого объекта; такие подходы «копируют» отдельные функции творческой деятельности человеческого мозга или эволюционных процессов, что позволяет при наличии большого числа возможных состояний в кратчайшие сроки находить оптимальные решения. Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами. Представлен сравнительный анализ современных программных продуктов по ИНС, используемых в электроэнергетике, и приведена характеристика основного программного продукта STATISTICA Neural Networks. Отмечено, что до сих пор практически нет программных пакетов по ИНС и ГА, специализированных для задач электроэнергетики. Основную часть программ искусственного интеллекта, используемых в электроэнергетических расчётах, составляют пакеты, предназначение которых носит либо общий, либо экономический характер. Среди множества существующих видов ИНС в качестве важнейших для электроэнергетики следует выделить структуру типа многослойный персептрон MLP*, сети с самоорганизацией в результате конкуренции нейронов (в первую очередь, сети Кохонена), радиальные сети RBF**, обобщенно-регрессионные сети GRNN***, а также рекуррентные нейронные сети. Исследования показали, что применение различных архитектур и оригинальных способов обучения структур ИНС позволяют эффективно решать многочисленные электроэнергетические задачи даже при наличии значительных нелинейных зависимостей и присутствии «плохих данных» в исходных выборках. Кроме того, в работе отмечено, что использование ГА позволяет решать сложные нелинейные задачи вне зависимости от вида целевой функции В главе показано, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент (NPCA****), нейрогенетический отбор (NGIS*****) и метод имитации отжига (SA******), позволяют свести к минимуму ряд негативных особенностей связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии. ^ В третьей главе рассмотрены предложенные подходы на основе методов* Multilayer Perceptrons – многослойный персептрон ** Radial Basis Functions – радиально-базисная функция *** Generalized Regression Neural Network – обобщённо-регрессионная нейронная сеть **** Nonlinear Principal Component Analysis – нелинейный анализ главных компонент ***** Neuro-Genetic Input Selection – нейрогенетический входной отбор ****** Simulated Annealing – имитация отжига искусственного интеллекта, позволяющие эффективно решать задачи анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ. В работе предложен нейросетевой подход анализа и визуализации РПХ на базе карт Кохонена (SOM*). В основе такого анализа лежит адаптивная кластеризация исходных данных, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы. Данный подход включает следующие основные этапы: Формирование обучающей выборки и нормирование данных Кластеризация полученного массива РПХ на базе SOM – базовая модель. Визуализация результатов анализа РПХ Системное прогнозирование РПХ и выработка решений В общем случае, состав входной выборки, в зависимости от располагаемой информации и поставленной задачи анализа РПХ, может быть различным. Но следует отметить, что чем полнее во входном векторе будут представлены все зависимые РПХ, тем более полным и объективным будет конечный результат кластерного анализа. Процедура кластеризации предполагает разделение полученных данных на компактные группы с близкими (идентичными) свойствами, причём, количественные и качественные параметры этих кластеров априори неизвестны. В предлагаемом подходе, кластеризация данных осуществляется в рамках критерия соседства гауссовского типа: (1) где - уровень соседства; - весовой коэффициент; d(i;w) – эвклидово расстояние между векторами весов «нейрона-победителя» и i-го нейрона. Для снижения размерности входного пространства и выделения наиболее информативных переменных, перед началом кластеризации входные данные анализируются алгоритмом NPCA. На основании рассмотренного алгоритма кластеризации строятся карты SOM в виде диаграмм Хилтона. Таким образом происходит отображение всего многомерного массива РПХ в виде компактных групп, позволяющих визуализировать интересующие характеристики этих групп. Необходимо отметить, что каждый кластер интерактивен, и при обращении к нему выводится количественная и содержательная информация, характеризующая этот кластер. Полученная нейросетевая модель SOM является базовой моделью и в дальнейшем может быть использована для вновь поступающих данных. Динамические свойства кластерных структур позволяют выявлять тенденции и временные изменения исследуемого параметра. Это даёт возможность осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации, поскольку в этом случае изучаются свойства не каждого отдельного элемента электрической сети, а всей группы в целом. Анализ динамических изменений и тенденций позволяет наряду с прогнозированием осуществить и определённое управление ситуацией в исследуемом энергорайоне. Совместная * Self-Organizing Maps – самоорганизующиеся карты визуализация результатов прогнозирования и анализа динамических изменений, полученных кластерных структур, позволяет определить возможные стратегии по управлению, которые, в конечном итоге, приведут к желаемому изменению тренда того или иного РПХ В зависимости от выбора для анализа конкретного РПХ предложенный общий алгоритм нейросетевого подхода будет конкретизироваться. Так в работе разработан кластерный анализ потерь ЭЭ на базе самоорганизующейся сети SOM. Суть данного подхода состоит в анализе потерь ЭЭ в рамках групп-кластеров, полученных в результате объединения определённых участков и объектов электрической сети по признаку идентичного распределения потерь ЭЭ в течение заданного периода времени (как правило, годового интервала). Предложенный алгоритм базируется содержит следующие основные этапы: Формирование обучающей выборки на базе архива потерь ЭЭ. Первичная кластеризация данных о потерях ЭЭ на базе SOM – формирование базовой модели Детальная кластеризация выявленных групп, отнесённых SOM к «очагам» потерь ЭЭ. Поиск конкретных мест и объектов электрической сети, приводящих к высоким потерям ЭЭ внутри кластера. Оценка «очагов» потерь ЭЭ на наличие СПЭ. Использование полученной базовой модели для анализа изменения потерь ЭЭ в рамках системного прогнозирования уровня потерь ЭЭ. В зависимости от состава исходных данных определяется общая постановка задачи анализа потерь ЭЭ. При использовании в качестве исходных данных как годового архива потерь ЭЭ, так и реализаций дополнительных РПХ (коэффициент загрузки, мощность трансформатора, длина ЛЭП) в задаче анализа появляется возможность оценить степень влияния «технических причин» на общий уровень потерь ЭЭ для каждого отдельного объекта электрической сети. К примеру, соотнести степень влияния коэффициента загрузки трансформаторов на выявленные «очаги» потерь ЭЭ. Если в качестве исходных данных используется лишь годовой архив потерь ЭЭ, то задача анализа будет носить характер мониторинга, позволяющего визуализировать представительный массив информации в виде компактных групп-кластеров. Необходимо подчеркнуть, что во всех представленных случаях достигается конечная цель анализа – выделение «очагов» потерь ЭЭ с выявлением причин их возникновения. На этапе первичной кластеризации, для выявления «очагов» потерь ЭЭ, вся информация о потерях ЭЭ исследуемого энергорайона визуализируется в виде компактных кластеров на базе диаграмм Хилтона. Если такие «очаги» обнаружены, то проводится детальная кластеризация исследуемых данных. После выделения по результатам кластерного анализа, «очагов» потерь ЭЭ можно именно на этих участках энергорайона с помощью оценки несоответствия А оценить влияние составляющей СПЭ: (2) где– отпуск ЭЭ в сеть для собственных потребителей; – полезный отпуск ЭЭ потребителям; – потери холостого хода; – климатические потери ЭЭ; – расход ЭЭ на собственные нужды подстанции; Д – количество дней в месяце. Использование предложенного кластерного подхода для анализа потерь ЭЭ может быть осуществлено и совместно с применением традиционных методов анализа (оценка небаланса ЭЭ, определение долевого участия ЭЭ и т.д.) Для повышения качества прогнозных расчётов в работе предложен оригинальный подход ПМИИ, состоящий из следующих этапов: Выбор обучающих данных Использование SA при выборе оптимальной архитектуры прогнозной ИНС для каждого конкретного ЭСО. Применение специализированных алгоритмов предварительной обработки ретроспективных данных, таких как NGIS и NPCA, что обеспечивает существенное повышение качества прогнозирования в условиях дефицита исходной информации Прогнозирование на базе полученной нейросетевой модели режимных параметров и характеристик ЭСО на заданный интервал упреждения. Возможная адаптация ИНС при изменении схемно-режимных параметров электрической сети В ходе исследований выявлены минимальные объёмы ретроспективных выборок при использовании нейросетевого прогнозирования для получения достоверных прогнозов, а именно:^ Годовой прогноз – среднемесячные значения. Минимальная глубина ретроспективы в этом случае составляет порядка пяти лет (электрическая нагрузка, потери ЭЭ). В случае сложного, комплексного изменения параметра (к примеру, температуры наружного воздуха) минимальный объём выборки составляет порядка десяти лет. ^ Суточный прогноз – среднечасовые значения. Минимальный объём ретроспективной выборки включает данные по исследуемому месяцу двух предыдущих лет (т.е. к примеру, апрель 2004 и апрель 2005 гг.) Так как особенности выборки могут быть различны, то указанные минимальные объёмы ретроспективы могут оказаться недостаточны. В работе показано, что использование специализированных алгоритмов анализа данных позволяет определить необходимый объём выборки. «Соревновательный» принцип алгоритма SA может работать в рамках двух критериев: баланс между производительностью и сложностью ИНС; выбор структуры ИНС с наилучшей производительностью. После этого задаётся количество итераций алгоритма SA, соответствующее числу анализируемых ИНС. Как правило, достаточно до 15 итераций, чтобы найти оптимальный тип и архитектуру ИНС. Несмотря на то, что представленный подход ПМИИ имеет значительное количество этапов и включает определённое количество процедур нелинейной оптимизации, он существенно облегчает процедуру прогнозирования с одновременным повышением качества прогноза. Представленные этапы работают, как правило, одновременно и параллельно, при этом оператор лишь задаёт обучающую выборку и необходимый выходной параметр. Всё остальное «берёт» на себя процедуры искусственного интеллекта, что значительно сокращает время расчёта. Предложенный подход является универсальным для прогнозирования различных РПХ В работе рассмотрены и проанализированы современные отечественные программные комплексы «РАП-95» и «ПРОГНОЗ», предназначенные для решения задач анализа и прогнозирования РПХ в эл Анализ полученных данных показал, что высокие среднегодовые потери ЭЭ в с.у. Порожский, Южный Падун, Стениха и Чекановский обусловлены «активностью» отдельных ТП в разные месяцы года. Таким образом, ЭСО при проведении мероприятий по снижению потерь ЭЭ на предстоящий период может сосредоточить усилия лишь на отдельных ТП в определённые месяцы года. «Очаги» расчётных значений потерь ЭЭ в анализируемых случаях объясняются значительным содержанием составляющей СПЭ в структуре потерь ЭЭ.^ Анализ сверхнормативных потерь ЭЭ в электрических сетях ОАО «Северные электрические сети» (Иркутскэнерго). Для анализа использовалась выборка ретроспективных значений СПЭ за период 2004 г. (базовый период) – первой половины 2005 г. по различным участкам и объектам Братского энергорайона, которые обслуживает ОАО «СЭС Иркутскэнерго». Кластерный анализ, проведенный на базе сети Кохонена, позволил разделить все исследуемые участки и объекты энергорайона на четыре группы. В данном случае на каждый входной нейрон карт Кохонена подавались значения СПЭ для отдельного участка (объекта) энергорайона за 2004 г. Нейросетевая модель, полученная на основе ретроспективных данных 2004 г., была принята в качестве базовой и в дальнейшем использовалась при анализе данных за первое полугодие 2005 г. При поступлении новых данных за 2005 год сформировались новые кластеры. В отличие от 2004 г. уровень СПЭ в районных электрических сетях (РЭС) 1, 2 и главной понизительных подстанциях 1, 2 снизился для периода «февраль–апрель» 2005 г. Появились новые значения уже не «вписывающиеся» в «старые» кластеры, и модель сформировала новые кластеры. К примеру, участки «РЭС-1,2» «перешли» из группы B1 (=18-30%) в другую группу А2, для которой характерны минимальные из всех групп потери ЭЭ (=0-8%). Другими словами, уровень СПЭ для «РЭС 1, 2» значительно снизился по сравнению с 2004 г. В ходе исследований выявлены различные типы изменений кластерной структуры. Их анализ позволил сделать следующие выводы: 1. Отнесение отдельных участков электрической сети к группе «очагов потерь ЭЭ» и анализ изменений количественных зн