Авторизация:
Логин:
Пароль:
  


АНОНС
Всё для будущих инженеров: сотрудничество "Уралмашзавода" и УГГУ
Уралмашзавод продолжает сотрудничество с одним из ведущих вузов региона – Уральским государственным горным университетом. При поддержке Газпромбанка и Уралмашзавода в УГГУ были...
ИТОГИ ТРЕТЬЕГО НАЦИОНАЛЬНОГО ГОРНОПРОМЫШЛЕННОГО ФОРУМА
НП "Горнопромышленники России" подвело итоги Третьего Национального горнопромышленного форума, который состостоялся 8 ноября 2017 года в Конгресс-центре Торгово-промышленной палаты Российской...
ГДЕ ПРОИЗВОДСТВО, ТАМ И НАУКА
На Ставровском карьере по добыче щебня, расположенном в Калужской области, планируется организовать работу научно-исследовательских коллективов. Руководство карьера стремится предложить им...



ОБЗОР
СОВЕРШЕНСТВОВАНИЕ ДЕЯТЕЛЬНОСТИ МЕТАЛЛУРГИЧЕСКОГО ПРЕДПРИЯТИЯ В УСЛОВИЯХ КОНКУРЕНЦИИ
Рассмотрены проблемы развития российских металлургических предприятий, а также состояние сталелитейной промышленности в мире. Отмечается, что в условиях рынка и жесткой конкуренции...
МИРОВЫЕ ТЕНДЕНЦИИ К ПЕРЕХОДУ НА СЖИЖЕННЫЙ ГАЗ
Показано состояние в мире с производством и потреблением сжиженного газа в настоящее время. Приведена динамика изменения производства его объемов за последние годы. Перечислены...

ПОДРОБНАЯ ИНФОРМАЦИЯ

 

РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В ЦЕЛЯХ УПРАВЛЕНИЯ И ПРОГНОЗИРОВАНИЯ РЕЖИМОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРЕДПРИЯТИЙ МИНЕРАЛЬНО-СЫРЬЕВОГО КОМПЛЕКСА



Управление и прогнозирование режимов электропотребления является одной из актуальных проблем для предприятий минерально-сырьевого комплекса. Одной из наиболее весомых затрат является оплата стоимости электроэнергии. Актуальность выбора оптимальной ценовой категории (ЦК) на оплату электроэнергии, а также применение потребителей-регуляторов способствует снижению нагрузки предприятия в часы максимума энергосистемы, обеспечивая снижение потерь как электроэнергии в электрических сетях предприятия и энергосистемы, так и снижению основной платы за электроэнергию, а также созданию благоприятного режима работы энергосистемы в наиболее напряженный период суток. Выполнен анализ эффективности регулировочных мероприятий по снижению потребления электрической энергии и ограничению потребляемой мощности в часы пиковых нагрузок и переносу электропотребления в зону суток с минимальной оплатой; построены совмещенные графики активной и реактивной мощности; проведен расчет одно- и двухставочных тарифов на оплату электроэнергии и показана оценка эффективности по различным ЦК (3—6 ЦК). Предложен алгоритм прогнозирования электропотребления на месяц вперед на основе использования ИНС для выбора оптимальной ЦК, где необходимо выполнять планирование.



Номер: 5
Год: 2018
УДК: 621.314
DOI: 10.25018/0236-1493-2018-5-0-206-213
Авторы: Абрамович Б. Н., Бабанова И. С.

Информация об авторах:
Абрамович Борис Николаевич — доктор технических наук,
профессор, e-mail: babaramov@mail.ru,
Бабанова Ирина Сергеевна — аспирант, e-mail: irina_babanova@mail.ru,
Санкт-Петербургский горный университет.

Ключевые слова:
Управление электропотреблением, тариф на электроэнергию, ценовая категория, потребители-регуляторы, искусственные нейронные сети (ИНС), алгоритм обратного распространения ошибки.

Библиографический список:

1. Постановление Правительства РФ «Об утверждении правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты Правительства Российской Федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности» (утв. 27.12.2010 г. №1172, ред. от 29.02.2016 г).


2. Постановление Правительства РФ «О функционировании розничных рынков электрической энергии, полном и (или) частичном ограничении режима потребления электрической энергии» (утв. 04.05.2012 г. № 442, ред. 22.02.2016 г).


3. Daut M. A.M.; Hassan M. Y.; Abdullah, H.; Rahman H. A.; Abdullah M. P.; Hussin, F. Building electrical energy consumption forecasting analysis using conventional and artificial intelligence methods: A review. Renew. Sustain. Energy Rev. 2017, 70, pp. 1108—1118.


4. Chengdong Li, Zixiang Ding, Dongbin Zhao, Jianqiang Yi? Guiqing Zhang Building Energy Consumption Prediction: An Extreme Deep Learning Approach Energies 2017, 10 (10)


5. Naji S., Keivani A., Shamshirband S, Alengaram U. J., Jumaat M. Z., Mansor Z., Lee M. Estimating building energy consumption using extreme learning machine method. Energy 2016, 97, pp. 506—516.


6. Pérez-Chacón R., Talavera-Llames R. L., Martinez-Alvarez F., Troncoso A. Finding electric energy consumption patterns in big time series data. In Proceedings of the13th International Conference Distributed Computing and Artificial Intelligence, Sevilla, Spain, 1—3 June 2016; Springer: Cham, Switzerland, 2016; pp. 231—238.


7. Хайкин С. Нейронные сети: полный курс. — М.: Вильямс, 2006. — 781 c.


8. Шумилова Г. П., Готман Н. Э., Старцева Т. Б. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросетевых структур. Сыктывкар: КНЦ УрО РАН, 2008


9. Abramovich B. N., Babanova I. S. Mining sciences and technologies 2016, no 2, pp. 66—77.


10. Устинов Д. А., Бабанова И. С. Обоснование выбора ценовой категории оплаты за электроэнергию с учетом потребителей-регуляторов // Промышленная энергетика. — 2016. — № 11. — С. 9—16.


11. Абрамович Б. Н., Бабанова И. С. Совершенствование алгоритмов управления аппаратами воздушного охлаждения газа с частотно-регулируемым электроприводом для компрессорных станций магистрального газопровода // Горный информационно-аналитический бюллетень. — 2017. — СВ 5—2. Промышленная безопасность предприятий минерально-сырьевого комплекса в XXI веке. — С.310—318.


12. Zhukovskiy Yu. L., Korolev N. A., Babanova I. S., Boikov A. V. The prediction of the residual life of electromechanical equipment based on the artificial neural network IOP Conf. Series: Earth and Environmental Science 87 (2017) 032056.


вернуться назад
Карта сайта