Технико-экономическая оптимизация объектов топливно-энергетического комплекса с применением элементов нечёткой логики и искусственных нейронных сетей

Авторы

  • Руцков А.Л. Филиал АО «УК ЭФКО» в г. Воронеже
  • Фёдоров Я.П. Федеральное государственное образовательное бюджетное учреждение высшего образования "Финансовый университет при Правительстве Российской Федерации", г. Москва
  • Волков Л.В. Федеральное государственное образовательное бюджетное учреждение высшего образования "Финансовый университет при Правительстве Российской Федерации", г. Москва

Ключевые слова:

топливно-энергетический комплекс, потребление электроэнергии, оптимизация, потери активной мощности, нечёткие нейронные сети, имитационное моделирование, энергоэффективность

Аннотация

В данной статье рассматриваются возможности оптимизации объектов топливно-энергетического комплекса посредством повышения точности прогноза состояния как в оперативном, так и в среднесрочном периодах. Модель, используемая для реализации отмеченного повышения энергоэффективности, основана на применении нечётких нейронных сетей. Организация данного подхода позволяет учитывать слабо формализуемые факторы, тем самым, повышая качество прогнозирования и диспетчерское управление. Отмеченные факторы являются прямыми экономическими драйверами снижения издержек производства.

Метрики

Загрузка метрик ...

Библиографические ссылки

[APA]

1. Zhelezko, Y.S. (2009). Poteri elektroenergii. Reaktivnaya moshchnost'. Kachestvo elektroenergii [Loss of electricity. Reactive power. Power quality]. Moscow: ENAS [In Russian].

2. Nikolenko, S.I., Kadurin, A.A. & Arhangel'skaya, E.V. (2019). Glubokoe obuchenie [Deep learning]. Saint Petersburg: Piter [In Russian].

3. Kudinov, Yu.I., Kudinov, I.Yu. & Suslova, S.A. (2007). Nechyotkie modeli dinamicheskih processov [Fuzzy models of dynamic processes]. Moscow: Nauchnaya Kniga [In Russian].

4. Rutskov, A.L., Burkovsky, V.L., Sidorenko, E.V. & Krysanov V.N. (2020). Implementation of a SMART GRID in industrial and residential complexes based on fuzzy neural networks. Journal of mechanics of continua and mathematical sciences, spl8(1), 251-263. Available: https://doi.org/10.26782/jmcms.spl.8/2020.04.00019

5. Rutskov, A.L., Burkovsky, V.L. & Sidorenko E.V. (2020). Optimization of electric power systems using fuzzy neural network algorithms. Journal of mechanics of continua and mathematical sciences, spl8(1), 264-276. Available: https://doi.org/10.26782/jmcms.spl.8/2020.04.00020

6. Çevik, H.H. & Çunkaş, M. (2015). Short-term load forecasting using fuzzy logic and ANFIS. Neural Computing and Applications, 26(6), 1355–1367. Available: https://doi.org/10.1007/s00521-014-1809-4

7. Bergstra, J., Breuleux, O., Bastien, F., Lamblin P., Pascanu, R., Desjardins, G., Turian, J., Warde-Farley D., & Bengio Y. (2010). Theano: a CPU and GPU Math Expression Compiler. Proc. of the 9th Python in Science Conference (SciPy 2010). Austin, Texas. (pp. 18-24). Available: https://doi.org/10.25080/majora-92bf1922-003

8. GitHB (n.d.). TinyFlow: Build Your Own DL System in 2K Lines. Retrieved from https://github.com/tqchen/tinyflow.

[ГОСТ Р 7.0.5–2008]

1. Железко Ю.С. Потери электроэнергии. Реактивная мощность. Качество электроэнергии. М.: ЭНАС, 2009. 456 с.

2. Николенко С.И., Кадурин А.А., Архангельская Е.В. Глубокое обучение. СПб.: Питер, 2019. 480 с.

3. Кудинов Ю.И., Кудинов И.Ю., Суслова С.А. Нечёткие модели динамических процессов. М.: Научная книга, 2007. 184 с.

4. Implementation of a SMART GRID in industrial and residential complexes based on fuzzy neural networks / A.L. Rutskov, V.L. Burkovsky, E.V. Sidorenko, V.N. Krysanov // Journal of mechanics of continua and mathematical sciences. 2020. Vol. spl8(1). P. 251-263.
DOI: https://doi.org/10.26782/jmcms.spl.8/2020.04.00019

5. Rutskov A.L., Burkovsky V.L., Sidorenko E.V. Optimization of electric power systems using fuzzy neural network algorithms // Journal of mechanics of continua and mathematical sciences. 2020. Vol. spl8(1). P. 264-276.
DOI: https://doi.org/10.26782/jmcms.spl.8/2020.04.00020

6. Çevik H.H., Çunkaş M. Short-term load forecasting using fuzzy logic and ANFIS // Neural Computing and Applications. 2015. Vol. 26(6). P.1355–1367.
DOI: https://doi.org/10.1007/s00521-014-1809-4

7. Theano: A CPU and GPU Math Compiler in Python / J. Bergstra, O. Breuleux, F. Bastien et. al.. Proc. from Python for Scientific Computing Conference (SciPy). Austin, Texas, 2010. P. 18-24.
DOI: https://doi.org/10.25080/majora-92bf1922-003

8. TinyFlow: Build Your Own DL System in 2K Lines [Электронный ресурс]. URL: https://github.com/tqchen/tinyflow (дата обращения 20.10.2020).

Загрузки

Опубликован

25.11.2020

Как цитировать

Руцков, А., Фёдоров , Я., & Волков, Л. (2020). Технико-экономическая оптимизация объектов топливно-энергетического комплекса с применением элементов нечёткой логики и искусственных нейронных сетей. Энергетические системы, 5(1), 34–40. извлечено от https://j-es.ru/index.php/journal/article/view/2020-1-004

Выпуск

Том 5 № 1 (2020): V международная научно-техническая конференция «Энергетические системы» (ICES-2020)

Раздел

Основной выпуск

Категории

Лицензия

Copyright (c) 2020 Руцков А.Л., Фёдоров Я.П., Волков Л.В.

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.