Модели и алгоритмы прогнозирования для поддержки принятия решений при управлении электропотреблением промышленных предприятий

На правах рукописи

КОЛОКОЛОВ Максим Владимирович

МОДЕЛИ И АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ

ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ

ЭЛЕКТРОПОТРЕБЛЕНИЕМ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

Специальность 05.13.01 – Системный анализ, управление и обработка

информации ( в технической отрасли)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

Саратов 2013

Работа выполнена в ФГБУН «Институт проблем точной механики и управления РАН» и ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А.»

Научный руководитель –	доктор технических наук, старший научный сотрудник Иващенко Владимир Андреевич
Официальные оппоненты:	Дрогайцев Валентин Серафимович, доктор технических наук, профессор, ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А.», профессор кафедры «Автоматизация, управление и мехатроника» Иванов Александр Сергеевич, кандидат физико-математических наук, доцент, ФГБОУ ВПО «Саратовский государственный университет имени Н.Г. Чернышевского», заведующий кафедрой математической кибернетики и компьютерных наук
Ведущая организация –	Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Волгоградский государственный технический университет»

Защита диссертации состоится «24» декабря 2013 г. в 15 часов 30 минут на заседании диссертационного совета Д 212.242.04 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю.А.» по адресу 410054, г. Саратов, ул. Политехническая, 77, СГТУ имени Гагарина Ю.А., корп. 1, ауд. 319).

С диссертацией можно ознакомиться в научно-технической библиотеке СГТУ имени Гагарина Ю.А.

Автореферат разослан « » ноября 2013 г.

Ученый секретарь диссертационного совета

В.В. Алешкин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Экономия электрической энергии является важнейшей проблемой энергетики России. Экономное использование электроэнергии на промышленных предприятиях представляет собой одну из составляющих данной проблемы, решение которой невозможно без автоматизации управления электроэнергетикой предприятий.

Значительный вклад в разработку теории и практики автоматизированного управления электроэнергетикой промышленных предприятий внесли А.С. Некрасов, Ю.В. Синяк, В.Т. Мелехин, Л.А. Мелентьев, Ю.Б. Клюев, В.В. Михайлов, В.А. Веников, А.А. Федоров, В.В. Шевченко, Э.А. Киреева, Б.А. Константинов, Б.И. Кудрин, Л.С. Беляев, Э.Э. Лойтер, П.И. Головкин, В.А. Непомнящий, В.С. Каханович, Ю.С. Железко, Е.М. Червонный, Б.В. Папков, А.Ф. Резчиков, G. Matthus, L. Zang, R. Frost, H. Kanai и другие отечественные и зарубежные ученые.

В последнее время широкое распространение получили автоматизированные системы контроля и учета электроэнергии на промышленных предприятиях: АСУЭ КТС «Энергия+», АСУЭ «Ток-С», АСКУЭ «Альфа Центр», АСКУЭ на базе ПТК ЭКОМ, ИВК «Метроника-Альфамет» и другие, которые обеспечивают сбор, накопление, обработку, хранение и отображение информации; формирование балансов электропотребления; коммерческий и технический учет электроэнергии и мощности на предприятиях.

Однако в теоретических и прикладных исследованиях, проводимых в данном направлении, отсутствует методологический подход к построению эффективных систем автоматизированного управления, весьма ограниченно используются современные информационные технологии и слабо разработаны алгоритмы прогнозирования, существенно влияющие на точность определения норм и планового потребления предприятиями электроэнергии, являющихся одним из основных источников ее экономии на них. Необходимость продолжения работ в этом направлении определили выбор темы, цели и задач исследования данной диссертации.

Цель диссертационной работы. Разработка моделей и алгоритмов прогнозирования для поддержки принятия решений при управлении электропотреблением промышленных предприятий, обеспечивающего экономию электроэнергии и сокращение издержек предприятий по оплате за нее.

Объект исследования – электроэнергетика промышленных предприятий.

Предмет исследования – модели и алгоритмы прогнозирования электропотребления промышленных предприятий.

Задачи исследования:

– системный анализ процесса управления электропотреблением промышленных предприятий, положенный в основу его структуризации, позволяющей разработать эффективные модели и алгоритмы прогнозирования электропотребления предприятий и определить их взаимодействие с другими компонентами системы автоматизированного управления;

– разработка статистических моделей и алгоритмов прогнозирования суточного электропотребления промышленных предприятий с интервалом упреждения и точностью, необходимыми для эффективного планирования и управления электропотреблением на предприятиях;

– разработка моделей прогнозирования суточного электропотребления промышленных предприятий на основе искусственной нейронной сети, позволяющей повысить точность и достоверность прогноза;

– построение системы автоматизированного управления электропотреблением промышленных предприятий, обеспечивающей принятие эффективных управленческих решений по экономии электроэнергии.

Методы исследования. Для решения поставленных задач используются методы системного анализа, теория множеств, математическая статистика, теория случайных процессов, аппарат искусственных нейронных сетей и современные информационные технологии.

Выносимые на защиту результаты:

– системный анализ процесса управления электропотреблением промышленных предприятий, позволяющий выполнить декомпозицию данного процесса и системно подойти к решению полученного в результате комплекса взаимосвязанных задач;

– статистические методы и алгоритмы прогнозирования суточного электропотребления промышленных предприятий, обеспечивающие по сравнению с существующими период упреждения и точность прогноза, необходимые для эффективного автоматизированного управления электропотреблением;

– процедура прогнозирования суточного электропотребления промышленных предприятий на основе искусственной нейронной сети, позволяющая выполнить данный прогноз с учетом влияния на электропотребление колебаний температуры окружающей среды и изменения объемов производимой предприятием продукции, тем самым повысить точность прогнозирования;

– структура и состав системы автоматизированного управления электропотреблением промышленных предприятий, позволяющей существенно сократить их издержки по оплате за электроэнергию.

Научная новизна результатов, выносимых на защиту:

1. Выполнен системный анализ процесса управления электропотреблением промышленных предприятий, позволивший представить отдельные компоненты этого процесса и связи между ними с детализацией, необходимой для их формального описания и реализации с помощью существующих аппаратно-программных средств в едином информационном пространстве.

Выделен базовый состав функций, включающий функцию прогнозирования электропотребления, необходимую для научно обоснованного нормирования и планирования расхода электроэнергии на предприятиях и управления на этой основе их электропотреблением.

2. Предложены статистические модели и алгоритмы прогнозирования суточного электропотребления предприятий, которые обладают по сравнению с известными моделями большим широким горизонтом (от суток до года) и более высокой точностью (порядка 3,9-4,5 % от фактического уровня электропотребления) прогноза.

3. Определена архитектура искусственной нейронной сети в виде трехслойного персептрона и разработан алгоритм его обучения, позволяющие:

– повысить точность прогнозирования суточного электропотребления предприятий за счет учета колебаний среднесуточной температуры окружающей среды и изменения объемов производимой предприятием продукции;

– обеспечить в режиме реального времени адаптацию искусственной нейронной сети к изменениям характера электропотребления.

4. Предложены структура и состав системы автоматизированного управления электропотреблением промышленных предприятий и алгоритм принятия решений, позволяющие обеспечить выполнение плановых норм расхода электроэнергии, определенных на основе прогнозных значений суточного электропотребления предприятий.

Теоретическая и практическая значимость работы определяется решением важной для электроэнергетики России задачи по совершенствованию систем управления электропотреблением промышленных предприятий. Использование предложенных моделей и алгоритмов прогнозирования и построение на их основе системы автоматизированного управления электропотреблением позволяют повысить эффективность принятия решений по экономии электроэнергии на предприятиях и улучшить условия функционирования электроэнергетической системы.

Достоверность и обоснованность результатов достигается корректным применением математического аппарата: системного анализа, статистических моделей и алгоритмов, методов искусственного интеллекта и апробацией их в составе действующей АСУ энергетикой предприятий.

Реализация и внедрение результатов работы. Теоретические и практические результаты работы используются на ОАО «Саратовское электроагрегатное производственное объединение» и ОАО «Саратовстройстекло», а также в учебном процессе в Саратовском государственном техническом университете (СГТУ) имени Гагарина Ю.А. и в отчетах о НИР Института проблем точной механики и управления (ИПТМУ) РАН (№ гос. рег. 0120 0 803005 и 01201156340).

Апробация работы. Результаты работы докладывались на ХХIII Международной научной конференции «Математические методы в технике и технологиях – ММТТ-23» (Саратов, 2010) и ХХIV Международной научной конференции «Математические методы в технике и технологиях – ММТТ-24» (Саратов, 2011), конкурсе «Участник молодежного научно-инновационного конкурса» (УМНИК – 2010) (Белгород, 2010), ХХVI Международной научной конференции «Математические методы в технике и технологиях – ММТТ-26» (Саратов, 2013), на Всероссийской научной конференции с международным участием «Проблемы критических ситуаций в точной механике и управлении» (Саратов, 2013), научных семинарах лаборатории системных проблем управления и автоматизации в машиностроении ИПТМУ РАН (Саратов, 2009-2013) и кафедры «Системотехника» СГТУ (Саратов, 2009-2013).

Публикации. По теме диссертационной работы опубликовано 13 печатных работ, из которых 5 в ведущих рецензируемых изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертационная работа содержит введение, четыре раздела, заключение, список литературы и приложение. Общий объем работы составляет 100 страниц машинописного текста, в том числе 33 рисунка, 2 таблицы и 94 наименования литературы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулирована цель, отражены научная новизна и практическая значимость диссертационной работы, выделены результаты, выносимые на защиту.

В первом разделе представлен анализ современного состояния проблемы автоматизации управления электропотреблением промышленных предприятий и приведена постановка задачи исследования.

Анализ публикаций и материалов Internet показал отсутствие в них подхода к построению систем автоматизированного управления электропотреблением промышленных предприятий, обеспечивающего целостность процесса управления, необходимую для эффективного взаимодействия компонентов управления, а также эффективных моделей и алгоритмов прогнозирования электропотребления, от которых в существенной степени зависят экономичность и конкурентоспособность электроэнергетики предприятий.

В заключение раздела приведена постановка задачи исследования.

Во втором разделе представлен анализ процесса управления электропотреблением промышленных предприятий, позволяющий определить информационное взаимодействие, условия и механизмы реализации процесса прогнозирования электропотребления предприятий. Результаты анализа положены в основу построения системы автоматизированного управления электропотреблением предприятий.

На теоретико-множественном уровне процесс управления организационно-техническими объектами представляется в виде отображений

где А – блок базовых функций управления; C и M – соответственно блоки всевозможных сочетаний базовых условий и механизмов реализации функций управления; I = I вх.  I вых. – блок всевозможных сочетаний базовых информационных потоков; I вх. и I вых. – множества входных и выходных информационных потоков.

Для управления процессом электропотребления предприятий:

1. Блок базовых функций управления: a1 – регистрация и проверка на достоверность измерительной информации; a2 – выбор модели и прогнозирование расхода (потребления) электроэнергии (ЭЭ) по производственным подразделениям и предприятию; a3 – нормирование, планирование и определение балансов расхода ЭЭ по ним; a4 – принятие решений по расходу ЭЭ производственными подразделениями и предприятием; a5 – формирование и поддержка в актуальном состоянии базы данных (БД) по управлению расходом ЭЭ предприятия.

2. Блок базовых условий реализации функций управления: C1 – нормативные акты по расходу ЭЭ предприятием; C2 – договор электроснабжения;
C3 – метрологические требования; C4 – требования к точности прогноза;
C5 – взаимодействие с системой управления БД (СУБД).

3. Блок базовых механизмов реализации функций управления: M1 – информационно-вычислительный комплекс (ИВК) службы главного энергетика;
M2 – энергодиспетчер; M3 – энергобюро; M4 – главный энергетик; M5 – датчики и измерительные устройства; M6 – БД АСУ энергетикой предприятия.

4. Блок базовых информационных потоков: I1 – значения температуры окружающей среды, полученные с метеостанции; I2 – значения расходов ЭЭ производственными подразделениями и предприятием; I3 – объем продукции, производимой ими; I4 – лимит электропотребления предприятия; I5 – достоверная информация о расходах ЭЭ; I6 – достоверная информация о температурах окружающей среды; I7 – прогнозирование расхода ЭЭ по подразделениям и предприятию; I8 – план расхода ЭЭ предприятием; I9 – принятие решений по расходу ЭЭ; I10 – управляющие воздействия по регулированию расхода ЭЭ.

Результаты системного анализа процесса управления электропотреблением промышленных предприятий представляются в виде отображений:

f1 :{a1, (I1, I2), C3, (M1, M2, M5)} (I5, I6);  f2 :{a2, (I3, I5, I6), (C1, C4), M1} I7;

f3 :{a3, (I3, I7), C1, (M1, M2)} I8;  f4 :{a4, (I4, I5, I8), (C1, C2), (M1, M2, M3, M4)} (I9, I10);

f5 :{a5, (I3, I4, I5, I6, I7, I8, I9), C5, (M1, M3, M6)} (I3, I4, I5, I6, I7, I8).

Визуальное представление этих результатов приведено на рис. 1.

В третьем разделе предложены два варианта прогнозирования суточного электропотребления промышленных предприятий – на основе статистических алгоритмов и искусственной нейронной сети (ИНС). Выявлены особенности этих алгоритмов и перспективы их использования.

Статистические алгоритмы прогнозирования. Анализ статистических данных по суточному потреблению ЭЭ показывает, что существует тенденция линейного возрастания потребления ЭЭ, если сравнивать между собой значения электропотребления одноименных дней одного и того же месяца соседних лет.

Кроме того, из года в год имеют место весенний спад и осенний подъем суточного потребления ЭЭ и воздействие на электропотребление разнообразных случайных факторов.

Исходя из этого, принята аддитивная модель суточного электропотребления промышленных предприятий

где средняя величина потребления ЭЭ, около которой варьирует фактическая величина электропотребления; – регулярная составляющая, представляющая собой линейный годовой тренд процесса потребления ЭЭ; – номер года, начиная с текущего; – регулярные составляющие, характеризующие сезонное потребление ЭЭ;  – нерегулярная, случайная составляющая электропотребления, в идеальном случае представляющая собой белый шум (с математическим ожиданием и интервалом корреляции, равными нулю, постоянной дисперсией).

Рис. 1. Визуальное представление результатов системного анализа процесса управления электропотреблением

промышленных предприятий

Описание сезонного тренда выполнено двумя способами:

–  с помощью кусочно-линейной аппроксимации

где – текущее количество рабочих дней, начиная с весеннего спада (осеннего подъема); – количество рабочих дней в период весеннего спада (осеннего подъема);

–  с помощью полинома 4-го порядка

где – оценки коэффициентов полинома определялись по методу наименьших квадратов.

Для аппроксимации сезонного тренда принят полином 4-го порядка как самый простой, описывающий три экстремума, характерных для этого тренда. Для построения модели и выполнения прогноза использованы данные за два года, предшествующих году, на который выполняется прогноз.

На процесс электропотребления промышленных предприятий оказывают влияние множество различных факторов. Наиболее значимыми из них являются колебания температуры окружающей среды и изменение объемов производимой продукции. Учет данных факторов в рамках статистических моделей, помимо их усложнения, требует больших объемов ретроспективных данных, что существенно сужает область применения прогнозирующих моделей, построенных на их основе.

Прогнозирование с помощью искусственной нейронной сети. Для прогнозирования суточного электропотребления использована одна из простых в реализации ИНС – многослойный персептрон. В качестве входных данных выступают: суточное потребление ЭЭ, среднесуточная температура окружающей среды в рабочие дни за год и изменение объемов производимой предприятием продукции по годам. Данные по температуре поступают с сервера метеостанции.

В основу определения размерностей входного и выходного слоев персептрона положены следующие соображения:

• во входном слое количество элементов (нейронов) определяется суммарным объемом ретроспективных данных, необходимых для прогноза (суточное электропотребление, среднесуточная температура окружающей среды за год; коэффициент, отражающий годовое изменение объема выпуска продукции);
• выходной слой содержит элементы, определяющие прогнозные значения суточного электропотребления.

Выбор количества промежуточных (скрытых) слоев и элементов в них осуществлялся экспериментальным путем при настройке сети, исходя из минимизации ошибки прогнозирования. Установлено, что это достигается при одном скрытом слое с числом элементов, равным полусумме элементов входного и выходного слоев

,

где – оператор округления до большего целого числа; и – соответственно количество элементов во входном и выходном слоях.

Важным фактором, влияющим на точность прогноза, является нормирование входных данных.

Входные данные нормировались по формуле

,

где pmin и pmax – соответственно минимальное и максимальное значения входных данных в обучающей выборке, а и – ненормированное и нормированное значения входных данных, подаваемых на i-й вход персептрона.

Для обучения персептрона применен комбинированный метод, основанный на использовании алгоритма обратного распространения ошибки и алгоритма Коши, обеспечивающего выход функции ошибок из локальных минимумов. Алгоритм Коши включается в работу, когда модуль градиента уменьшения функции ошибок становится меньше ограничения, установленного, исходя из приемлемости времени обучения персептрона.

В качестве активационной принята сигмоидальная функция

f (u) = 1 / (1+e–au ),

где a – параметр; u – взвешенная сумма входных сигналов нейрона.

Выбор сигмоидальной функции обусловлен ее ценными свойствами – непрерывными производными, необходимыми для работы алгоритма обратного распространения ошибки, и способностью предотвращать насыщение ИНС от больших сигналов. Данное свойство определяется значением параметра a, который рекомендуется назначать равным или несколько большим 1.

Коррекция коэффициентов выполняется по соотношениям:

и ,

где – весовой коэффициент синаптической связи между i-м нейроном r – 1-го слоя и j-м нейроном r-го слоя на шаге t;  – весовой коэффициент на (t - 1) -м шаге; , – – соответственно коррекция весовых коэффициентов по алгоритму обратного распространения ошибки и алгоритму Коши.

Обученный таким образом персептрон позволил адекватно интерпретировать тенденции изменения процесса электропотребления и обеспечить необходимую точность и достоверность прогноза.

В связи с изменением характера электропотребления предприятия необходима адаптация персептрона к новым условиям работы, которая осуществляется ежегодно путем его переобучения на новых ретроспективных данных.

Предложенный персептрон принят в качестве базового для построения структуры системы автоматизированного управления электропотреблением промышленных предприятий.

Под целью управления понимается

где и – плановое и фактическое электропотребление в m-м месяце.

В основу выработки комплекса управленческих мероприятий по ликвидации перерасхода планового потребления электроэнергии положен обобщенный критерий эффективности управления

показывающий степень достижения данной цели.

На рис. 2 представлены графики фактического и планового электропотребления, а на рис. 3 – структура системы автоматизированного управления электропотреблением промышленных предприятий.

Рис. 2. Графики фактического и планового электропотребления предприятия

Рис. 3. Структура системы автоматизированного управления электропотреблением промышленных предприятий:

– норма электропотребления по предприятию; – нормы суточного ( n = 1, 2, …, N ) электропотребления по k ( k = 1, 2, …, K )
производственному подразделению; – суммарная норма электропотребления по всем производственным подразделениям; – соответственно, плановое потребление электроэнергии по предприятию, отдельным и всем производственным
подразделениям, а также по непроизводственным подразделениям; – соответственно фактическое потребление
электроэнергии по предприятию, отдельным и всем производственным подразделениям, а также по непроизводственным подразделениям

На рис. 4 приведен алгоритм принятия решений

Рис. 4. Алгоритм принятия решений по управлению электропотреблением

Данный алгоритм является составной частью структуры системы автоматизированного управления электропотреблением промышленных предприятий.

В четвертом разделе представлены программно-информационный комплекс прогнозирования, пользовательский интерфейс для работы с ним и результаты оценки эффективности предложенных алгоритмов.

Программно-информационный комплекс написан на языке программирования CodeGear RADstudio 2009 Delphi (рис. 5).

Рис. 5. Программно-информационный комплекс

В таблице приведена оценка эффективности предложенных в работе алгоритмов прогнозирования.

Показатели эффективности алгоритмов прогнозирования

Показатели	Статистические алгоритмы		Персептрон
	кусочно-линейный тренд	полино-миальный тренд	без учета темпера- туры	с учетом темпера- туры	с учетом температуры и объемов производимой продукции
Объем предыстории для построения модели, годы	2	2	4	4	4
Объем предыстории для прогнозирования, годы	2	2	1	1	1
Интервал прогнозирования, годы	1	1	1	1	1
Среднеквадратическая ошибка прогнозирования, МВтч	3,36 – 4,54	3,34 – 4,37	3,03 – 3,78	2,88 – 3,41	2,76 – 3,23
Максимальная абсолютная ошибка прогнозирования, МВтч	7,09 – 7,52	6,99 – 7,49	6,55 – 7,13	6,38 – 7,06	6,24 – 6,88
Максимальная относительная ошибка прогнозирования, проценты	4,11 – 4,52	3,88 – 4,44	3,63 – 4,02	3,39 – 3,82	3,21 – 3,67

Примечание. Таблица составлена на основе данных хоздоговорных работ, выполненных ИПТМУ РАН для промышленных предприятий.

Расчеты показали, что реализация полученных на основе прогнозных значений норм расхода ЭЭ при тарифе 3 рубля за киловатт-час позволяет снизить затраты предприятий средней энергоемкости (с заявляемой мощностью
10-15 МВт) по электропотреблению на 2-3 млн. руб. в год.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена решению актуальной научно-технической задачи разработки эффективных по точности и интервалу упреждения моделей и алгоритмов прогнозирования для поддержки принятия управленческих решений при управлении электропотреблением промышленных предприятий, обеспечивающих экономию электроэнергии и снижение энергетической составляющей себестоимости производимой предприятиями продукции.

Диссертация содержит следующие основные научные и практические результаты.

1. Выполнен системный анализ процесса управления электропотреблением промышленных предприятий, положенный в основу структуризации данного процесса, необходимой для его формализации и реализации на базе серийно производимых промышленностью аппаратно-программных средств и современных CASE-технологий (IDEF, UML и др.).

2. Предложено прогнозирование суточного электропотребления промышленных предприятий:

– с помощью статистических моделей и алгоритмов, обеспечивающих широкий горизонт (от суток до года) и точность прогноза, необходимые для принятия эффективных решений по управлению электропотреблением на предприятиях;

– на основе искусственной нейронной сети – персептрона, позволяющего учесть колебания температуры окружающей среды и изменение объемов производимой предприятием продукции.

3. Выполнен сравнительный анализ предложенных моделей и алгоритмов прогнозирования. Показано, что статистические модели и алгоритмы позволяют получить допустимые по точности прогнозирования результаты, а прогноз на основе искусственной нейронной сети более точен, но требует большего объема ретроспективных данных.

Предложенные модели и алгоритмы могут быть адаптированы для прогнозирования широкого круга других сезонно изменяемых процессов.

4. Предложен программно-информационный комплекс прогнозирования, в основу построения которого положены серийно производимые аппаратные и программные средства; разработан пользовательский интерфейс, обеспечивающий работу с ним.

5. Предложена структура системы автоматизированного управления электропотреблением промышленных предприятий, основанная:

– на построении плановых графиков потребления электроэнергии предприятием и подразделениями на основе прогнозных значений их суточного электропотребления;

– на формировании управленческих решений, направленных на выдерживание этих графиков с целью экономии электроэнергии и обеспечения сокращения энергетической составляющей в общих затратах предприятия на выпуск продукции.

6. Материалы диссертационной работы использованы при разработке АСУ энергетикой ОАО «Саратовское электроагрегатное производственное объединение», ОАО «Саратовстройстекло», а также в учебном процессе и отчетах о научно-исследовательской работе Института проблем точной механики и управления РАН.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРАЦИИ

Публикации в ведущих рецензируемых изданиях, рекомендованных ВАК РФ

1. Колоколов М.В. Концепция синтеза структуры системы автоматизированного управления электропотреблением промышленных предприятий / В.А. Иващенко, М.В. Колоколов, Д.А. Васильев // Мехатроника, автоматизация, управление. 2012. № 10. С. 43-46.

2. Колоколов М.В. Модели автоматизированного прогнозирования электрических нагрузок промышленных предприятий / Д.А. Васильев, М.В. Колоколов, В.А. Иващенко // Управление большими системами. Вып. 34. М.: ИПУ РАН. 2011. С. 254-266.

3. Колоколов М.В. Прогнозирование электропотребления в АСУ энергетикой промышленных предприятий / Д.А. Васильев, М.В. Колоколов, В.А. Иващенко // Мехатроника, автоматизация, управление. 2010. № 8. С. 58-60.

4. Колоколов М.В. Прогнозирование электропотребления промышленных предприятий на основе статистических методов и искусственных нейронных сетей / В.А. Иващенко, М.В. Колоколов, Д.А. Васильев // Вестник Саратовского государственного технического университета. 2010. № 2 (45). С. 110-115.

5. Колоколов М.В. Эволюционная модель выбора рационального варианта электроснабжения потребителей в аварийных и предаварийных ситуациях / Д.А. Васильев, В.А. Иващенко, А.С Тычков, М.В. Колоколов // Вестник Воронежского государственного технического университета. 2010. Т 6. № 10. С. 166-170.

Публикации в других изданиях

6. Васильев Д.А. Подход к построению системы автоматизированного управления электропотреблением промышленных предприятий / Д.А. Васильев, В.А. Иващенко, М.В. Колоколов // Проблемы критических ситуаций в точной механике и управлении: материалы Всерос. науч. конф. с междунар. участием / ИПТМУ РАН. Саратов, 2013. С. 45-50.

7. Колоколов М.В. Информационно-логическая схема управления электропотреблением промышленных предприятий / М.В. Колоколов // Математические методы в технике и технологиях – ММТТ-26: сб. тр. ХХVI Междунар. науч. конф.: в 12 т. Т. 11. Секция 6 / под общ. ред. В.С. Балакирева. Саратов: СГТУ, 2013. С. 55-57.

8. Колоколов М.В. Гибридная модель прогнозирования электрических нагрузок промышленных предприятий «адаптивный фильтр Брауна – адаптивная ИНС – нечеткая модель» / Д.А. Васильев, М.В. Колоколов // Анализ, синтез и управление в сложных системах: сб. науч. тр. Саратов: СГТУ, 2011. С. 13-18.

9. Колоколов М.В. Структура и состав системы управления электропотреблением промышленных предприятий / М.В. Колоколов // Анализ, синтез и управление в сложных системах: сб. науч. тр. Саратов: СГТУ, 2011. С. 57-62.

10. Колоколов М.В. Комбинированный метод прогнозирования электрических нагрузок / М.В. Колоколов, Д.А. Васильев, В.А. Иващенко // Математические методы в технике и технологиях – ММТТ-24: сб. тр. ХХIV Междунар. науч. конф.: в 10 т. Секция П3 / под общ. ред. В.С. Балакирева. Саратов: СГТУ, 2011. С. 58-60.

11. Колоколов М.В. Прогнозирование электропотребления промышленных предприятий на основе статистических методов / М.В. Колоколов, В.А. Иващенко // Математические методы в технике и технологиях – ММТТ-23: сб. тр. ХХIII Междунар. науч. конф.: в 12 т. Т. 11. Секция 13 / под общ. ред. В.С. Балакирева. Саратов: СГТУ, 2010. С. 168-170.

12. Колоколов М.В. Прогнозирование электропотребления промышленных предприятий на основе статистических методов / М.В. Колоколов // Сборник докладов номинантов, допущенных к отбору на участие в конкурсе БГТУ им. В.Г. Шухова по программе «Участник молодежного научно-инновационного конкурса» (УМНИК) по тематическому направлению Н1 – Информационные технологии, программные продукты и телекоммуникационные системы / под. общ. ред. В.Г. Рубанова. Белгород: Изд-во БГТУ им. В.Г. Шухова, 2010. С. 17-20.

13. Колоколов М.В. Прогнозирование электропотребления промышленных предприятий на основе искусственных нейронных сетей / М.В. Колоколов, В.А. Иващенко // Анализ, синтез и управление в сложных системах: сб. науч. тр. Саратов: СГТУ, 2010. С. 61-64.

Подписано в печать 15.11.13 Формат 6084 1/16

Бум. офсет. Усл.-печ. л. 1,0 Уч.- изд. л. 1,0

Тираж 100 экз. Заказ 191 Бесплатно

Саратовский государственный технический университет имени Гагарина Ю.А.

410054, г. Саратов, Политехническая ул., 77

Отпечатано в Издательстве СГТУ. 410054, Саратов, Политехническая ул., 77

Тел. 24-95-70; 99-87-39, e-mail: [email protected]