2022
Постійне посилання на фонд
Переглянути
Перегляд 2022 за Ключові слова "621.311.153"
Зараз показуємо 1 - 1 з 1
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Адаптивні моделі прогнозування електричного навантаження виробничих споживачів(КПІ ім. Ігоря Сікорського, 2022) Калінчик, В. П.; Мейта, О. В.; Калінчик, В. В.; Чуняк, Ю. М.В статті досліджуються моделі та методи прогнозування електричного навантаження Показано, що на даний час відомі наступні методи управління електроспоживанням: по миттєвій нормі; по ідеальній нормі; управління по прогнозній величині; управління з використанням усередненої потужності на рухомому інтервалі часу (метод «рухомого вікна»). Показано, що кращою представляється орієнтація на ті методи, які засновані на дослідженні прогнозних оцінок, що складають вихідну інформацію для прийняття рішень з управління. Основною вимогою, що пред'являються до систем реального часу є: достатньо висока точність оперативного прогнозування та простота алгоритмів, що забезпечує мінімальний час рішення; робота в умовах невизначеної і недостатньої інформації, забезпечення стійкості управління. Проведено аналіз робіт, присвячених питанням прогнозування процесів систем управління електроспоживанням промислових підприємств. Показано, що автоматизовані системи управління пред'являють специфічні вимоги до математичних методів прогнозу через малу вивченості природи прогнозованого параметра, малого обсягу звітної статистики та недостатньої достовірності вихідної інформації і найбільш точно відповідає таким вимогам, адаптивний підхід до конструювання методів. Адаптивний підхід дозволяє вирішувати проблему адекватності методу об'єкту прогнозування і з точки зору простоти реалізації і часу розрахунків на перше місце слід поставити адаптивні методи прогнозування і, в першу чергу, метод експоненціального згладжування. Експоненціальне згладжування, розглянуте у даній роботі в якості прогнозної моделі, дозволяє виявити неадекватність моделі реальному процесу і наблизити оцінку детермінованої основи процесу до дійсної, тобто зменшити помилку прогнозу. Однак для цього необхідний час, який збільшується із зростанням зміни коефіцієнтів моделі. У зв'язку з цим виникає завдання регулювання швидкості реакції прогнозованої моделі на зміну її коефіцієнтів. Розглянуто і проаналізовано ряд методів автоматичного регулювання параметра згладжування: еволюційний метод адаптації, методи з використанням слідкуючого сигналу, методи адаптації параметра шляхом, оптимізація з використанням градієнтного згладжування. Показано, що метод адаптації використанням слідкуючого сигналу простий і особливо цінний для моделювання рядів з короткою історією. З причини своєї простоти, цей метод особливо зручний там, де прогнози робляться за допомогою засобів обчислювальної техніки. Дослідження даної моделі прогнозування на статистичних даних, отриманих на різних підприємствах показали, що модель адаптується до реальних даних вже на 4-6 кроці прогнозування і далі помилка прогнозу не перевищує 2%. Аналіз адаптивних моделей прогнозування на основі методу експоненціального згладжування показав їх високу ефективність і хорошу пристосованість до змін процесу електроспоживання. Найбільшу складність при прогнозуванні представляють випадки стрибкоподібних змін у розвитку процесу. Стрибкоподібні зміни процесу можуть призвести до порушення існуючих раніше якісних співвідношень параметрів прогнозованої системи. При наявності стрибка дуже важливо оцінити чи викликано дане відхилення перешкодою чи воно сталося внаслідок зміни прогнозованого процесу. Якщо зміни викликані перешкодою, то необхідно її відфільтрувати. Якщо ж відхилення викликані зміною моделі, то поточні дані про процес представляють найбільшу цінність. З точки зору швидкого відпрацювання стрибкоподібної зміни досить ефективною є модель експоненціального згладжування з високим значенням параметра згладжування. Однак ця модель сильно схильна до впливу перешкод. Для усунення зазначеної обставини запропонована модифікована процедура корекції параметрів моделі прогнозування. Процедура основана на введенні логічного оператора, який заснований на аналізі суперечливості прогнозів і накладає додаткові обмеження на зміну параметра згладжування і на величини вихідної статистики. Проведені експериментальні дослідження розглянутих моделей.