WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

На правах рукописи

СОЛОМАХА Илья Викторович

ИССЛЕДОВАНИЕ МЕТОДОВ ТРАНСФОРМАЦИИ,

АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ТЕХНОЛОГИЧЕСКОЙ

ИНФОРМАЦИИ, СОБИРАЕМОЙ ИНФОРМАЦИОННЫМИ

СИСТЕМАМИ ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

Специальность 05.13.01 – Системный анализ, управление и

обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

Екатеринбург – 2010

Работа выполнена на кафедре «Автоматика и информационные технологии»

ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина».

Научный руководитель: доктор тех. наук, профессор ПОРШНЕВ Сергей Владимирович

Официальные оппоненты: Фионов Андрей Николаевич, д.т.н.

Мошкин Борис Николаевич, к.т.н.

Ведущая организация: Федеральное государственное унитарное предприятие «Научно-производственное объединение автоматики имени академика Н.А. Семихатова»

Защита состоится 03 ноября 2010г. в 15 часов на заседании Диссертационного совета Д 219.005.03 при ГОУ ВПО «Сибирский государственный университет телекоммуникаций и информатики» по адресу:

630102, г. Новосибирск, ул. Кирова, д. 86, ауд. 625.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «СибГУТИ».

Автореферат разослан сентября 2010 г.

Ученый секретарь диссертационного совета Д 219.005. кандидат технических наук доцент Иван Александрович Бунцев

Общая характеристика работы

Актуальность темы В современных условиях создание и внедрение на различных промышленных предприятиях информационных систем (ИС), осуществляющих сбор и хранение технологической и экономической информации, в том числе и в реальном режиме времени, не встречает сегодня принципиальных сложностей. Действительно, сегодня на рынке широко представлены информационные датчики, контроллеры, стандартные программные средства для разработки систем сбора информации. В тоже время уровень используемых методов анализа собранных данных и форм представления полученных результатов, как показывает анализ опыта эксплуатации ИС в различных отраслях промышленности, оказывается существенно ниже уровня технических средств разработки. Как следствие, КПД использования собираемой информации оказывается значительно ниже, чем ожидается на этапе разработки проекта ИС. Во многом это обусловлено изначальной установкой заказчика системы на сбор максимально возможного количества информации, которая на этапе эксплуатации оборачивается закономерным вопросом:

«Что делать с собираемой информацией, объем которой непрерывно увеличивается, и как ее использовать?» Возможный выход из данной ситуации состоит в оснащении ИС соответствующим инструментарием компьютерного анализа и интерпретации данных, для обоснования выбора которого необходимы целенаправленные исследования особенностей информации, собираемой конкретной системой.

Отмеченные выше проблемы в полной мере относятся и к предприятиям электроэнергетической отрасли, в которой в настоящее время активно внедряются различные ИС, использование которых, как ожидается, позволит увеличить конкуренцию на рынке производства электроэнергии, обеспечить прозрачность и оптимальность принимаемых решений, влияющих на доходы и расходы участников рынка, а также снизить затраты, связанные с незапланированным выходом из строя оборудования электростанций.

В этих условиях весьма актуальными оказываются проблемы трансформации, анализа, визуализации, интерпретации и прогнозирования технологической информации (ТИ), собираемой ИС электроэнергетической отрасли множества значений большого числа (от нескольких десятков до нескольких тысяч) технологических показателей (ТП), измеряемых в заданные моменты времени. Их сложность во многом обусловлена необходимостью обработки больших объемов ТИ, необходимостью использования для представления и анализа ТИ пространств большой размерности, а также неоднородностью ТИ, обусловленной одновременным использованием при регистрации информации нескольких временных масштабов (данные, измеряемые в реальном времени, данные, усредненные на некотором временном интервале и т.д.).

Для решения перечисленных выше проблем необходим анализ особенностей ТИ, выбор с учетом особенностей ТИ методов обработки, анализа и прогнозирования временных рядов, содержащих значения ТП, а также выполнять их прогнозирование.

Перечисленные выше обстоятельства определяют актуальность темы исследования.

Цель диссертационного исследования Цель работы – совершенствование методов трансформации, анализа и прогнозирования ТИ, собираемой ИС ТЭС, на основе компьютерных методов обработки информации.

Задачи исследования 1. Анализ современного состояния систем сбора и методов анализа ТИ, используемых в электроэнергетической отрасли.

2. Анализ особенностей базы данных ТП Сургутской ГРЭС-1 в период с по 2007 гг.

3. Исследование метода уменьшения размерности пространства ТИ и математических моделей, описывающих взаимосвязи между ТП, в пространстве меньшей размерности.

4. Исследование методов анализа и прогнозирования временных рядов, содержащих значения ТП ТЭС.

Положения, выносимые на защиту 1. Результаты анализа базы данных ТП Сургутской ГРЭС-1, собранных в период с 2000 по 2007 гг., которые позволили обосновать выбор массива ТП ТЭС, использованного в дальнейших исследованиях.

2. Результаты факторного анализа ТП, подтверждающие возможность редукции 46-мерного пространства ТП к 4-мерному факторному пространству.

3. Результаты сравнительного анализа качества линейных и нелинейных математических моделей, построенных на основе метода группового учета аргумента (МГУА), свидетельствующие о более высоком качестве аппроксимации изучаемых зависимостей последними моделями, и, следовательно, целесообразности их использования при анализе связей между факторами.

4. Результаты исследования методов анализа и прогнозирования временных рядов, содержащих значения ТП, которые подтверждают целесообразность использования в рассматриваемой задаче метода SSA (Singular Spectrum Analysis).

5. Алгоритмы, позволяющие автоматизировать выбор внутренних параметров метода SSA в задаче прогнозирования временных рядов, содержащих значения ТП ТЭС, без дополнительных исследований структуры прогнозируемого временного ряда.

Научная новизна 1. На основе анализа ТП ТЭС выявлена возможность редукции 46-мерного признакового пространства ТП в 4-мерное факторное пространство, а также проведен сравнительный анализ качества линейных и нелинейных математических моделей, построенных на основе МГУА, для описания связей между ТП в пространстве меньшей размерности.

2. Обоснована целесообразность использования метода SSA для анализа временных рядов, содержащих среднемесячные значения ТП, который, в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности.

3. Обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода SSA, который в отличие от методов авторегрессии и проинтегрированного скользящего среднего (АРПСС) и экспоненциального сглаживания более точно учитывает локальные особенности изучаемых временных рядов.

4. Разработаны алгоритмы, позволяющие автоматизировать процедуру выбора параметров в задаче прогнозирования методом SSA временных рядов, содержащих значения ТП ТЭС без дополнительных исследований структуры прогнозируемого временного ряда.

Практическая ценность работы 1. Создана компьютерная программа, в которой реализовано построение линейных и нелинейных математических моделей, построенных на основе МГУА, оценка доверительных интервалов, коэффициентов регрессии и анализ статистических свойств остатков математических моделей.

2. Создана компьютерная программа для прогнозирования, с помощью метода SSA, временных рядов ТП, в которой используются алгоритмы автоматизированного выбора параметров метода прогнозирования.

Достоверность результатов работы подтверждается использованием математического аппарата, соответствующего решаемой задаче (факторный анализ, метод SSA), результатами анализа ТП, имеющими однозначную трактовку с технологической точки зрения, а также соответствием прогнозируемых и реальных значений ТП, собираемыми на Сургутской ГРЭС-1.

Внедрение результатов диссертационного исследования Результаты диссертационного исследования используются на Сургутской ГРЭС-1 и Новосвердловской ТЭЦ при анализе среднемесячных ТП, а также в учебных курсах «Моделирование», «Методы и алгоритмы обработки сигналов в информационных системах», изучаемых бакалаврами и магистрами, обучающимися по направлению «Информатика и вычислительная техника».

Результаты диссертационного исследования были включены в инновационный проект, представленный на конкурсе, проводимом в 2008 году Фондом содействия развитию малых форм предприятий в научно-технической сфере. По результатам конкурса представленный проект стал победителем программы «Участник Молодежного Научно-Инновационного Конкурса» («УМНИК»).

Апробация работы Материалы работы докладывались и обсуждались на следующих семинарах и научных конференциях:

1. Одиннадцатой Всероссийской студенческой научно-технической Интернет-конференции «Информатика и управление в технических системах», Екатеринбург, 09 января 2008 г.;

2. Международной научно-практической конференции «СВЯЗЬПРОМЭКСПО 2008», Екатеринбург, 06-08 мая 2008 г.;

3. Седьмой Российской конференции с международным участием «Новые информационные технологии в исследовании сложных структур», Томск, 02- сентября 2008 г.;

4. Международной научно-практической конференции «СВЯЗЬПРОМЭКСПО 2009», Екатеринбург, 17-19 марта 2009 г.

Публикации По теме диссертации опубликовано 6 работ, в том числе две работы в изданиях, включенных в «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук».

Структура и объем работы Диссертационная работа состоит из введения, 4 глав, основных выводов и приложений; содержит 206 страниц машинописного текста, 70 таблиц, 131 рисунков, библиографический список из 136 наименований.

Во введении изложена общая характеристика диссертационной работы: показана ее актуальность, сформулирована цель работы, отражена научная новизна и практическая ценность.

В первой главе проведен анализ современного состояния информационных и информационно-управляющих систем, используемых в электроэнергетической отрасли, а также методов обработки ТП, собираемых данными системами.

Отмечено, что несмотря на активное внедрение на ТЭС ERP-систем, единый перечень ТП ТЭС, используемых для комплексного анализа текущего технического и экономического состояний электростанций, а также методик их расчетов, утвержденных на уровне Министерства топлива и энергетики РФ, до настоящего времени не разработан.

Проведен анализ нормативной документации, а также научных публикаций, посвященных методам обработки и анализа ТП ТЭС. Его результаты показали, что в подавляющем большинстве работ под термином «анализ ТП» понимается исключительно экономический анализ. Это было вполне оправдано более 20 лет назад, однако сегодня в результате внедрения ИС ТЭС, осуществляющих регистрацию в реальном режиме времени значений технологических параметров, их обработку и хранение в соответствующих базах данных (БД), с нашей точки зрения, круг методов, используемых для анализа ТП, безусловно, должен быть расширен за счет привлечения методов многомерного статистического анализа и методов анализа временных рядов.

Обоснован выбор источника технологической информации (Сургутская ГРЭС-1) и описана ее структура. Сформулированы основные задачи диссертационного исследования.

Во второй главе проведен анализ технологической информации, собранной по каждому из 16 энергоблоков, в период с 2000 по 2007 гг., хранящейся в БД ИС СГРЭС-1. Обоснован выбор для дальнейшего анализа среднемесячных значений ТП, которые в отличие средних значений, вычисленных на временных интервалах длительностью от 10 до 20 дней, содержаться в БД для каждого ТП. В связи с тем, что все энергоблоки станции одновременно не эксплуатировались, и продолжительность работы энергоблоков станции в рассматриваемый период существенно различалась, проведено ранжирование энергоблоков по степени информативности технологических данных, хранящихся в БД, в котором были использованы следующие критерии:

1. «длительность простоя» D:

где i – число различных групп пусков; k – количественная оценка группы (табл.

1); ni – количество простоев; i – длительность простоев;

2. число часов работы за рассматриваемый период;

3. число часов работы с начала эксплуатации.

Наиболее информативными оказываются технологические данные энергоблоков, имеющих станционные номера № 4, 5, 6 и 7.

Далее из рассмотрения были исключены ТП, значения которых хотя бы у одного из выбранных энергоблоков оставались постоянными (расход воды на подпитку теплосети у энергоблоков №№ 5-7; отпуск тепла внешним потребителям с паром второго отбора и невозврат конденсата от потребителя у энергоблока № 7). В итоге общее число ТП, использованных далее в факторном анализе, составило 46. Анализ значений каждого из ТП во временной области показал, что в БД в отдельные месяцы отсутствуют значения некоторых показателей. В этой связи для дальнейшего анализа были использованы значения ТП не всего периода с 2000 по 2007 г. а только значения за последние 68 месяцев, в течение которых в базе данных имелись значения по каждому из 46 ТП.

Далее выбранная информация была подвергнута факторному анализу [1], результаты которого показали, что для каждого из рассматриваемых энергоблоков существуют некоторые отличия в составе выделенных факторов:

1. Число выделенных факторов для выбранных энергоблоков оказывается различным: у энергоблока № 4 выделено 5 факторов; у энергоблока № 5-7 факторов; у энергоблока № 6-5 факторов; у энергоблока № 7-4 фактора.

2. Существуют отличия между составами каждого из выделенных факторов.

В этой связи был проведен сравнительный анализ состава выделенных факторов и уточнен их состав (табл. 2). В первый фактор вошли показатели, влияющие на выработку электроэнергии энергоблоком, а также показатели, имеющие с ними функциональную связь; во второй фактор – показатели, определяющие отпуск теплоты потребителям; в третий фактор – показатели, зависящие от температуры охлаждающей воды на входе в конденсатор, в четвертый фактор – показатели, зависимые от основного показателя – содержания кислорода в уходящих газах. Дана трактовка состава каждого из выделенных факторов с технологической точки зрения.

Фактор 1 Расход электроэнергии на собственные нужды котла Нормативный расход топлива на выработку электроэнергии Фактор 2 Удельный расход топлива на отпуск тепла (b’тэ) Фактор 3 Номинальный относит. расход тепла на собственные нужды котла Температура холодного воздуха на всасе дутьевого вентилятора Температура воздуха перед регенеративным воздухоподогревателем Фактор 4 Содержание кислорода в уходящих газах Для оценки надежности полученной факторной модели проведено исследование рядов остатков e – разностей между исходными значениями и соответствующими значениями, вычисленными с использованием линейной модели, на соответствие нормальному закону распределения. Полное число возможных сочетаний переменных (число рассмотренных моделей) оставило 9360. Обобщенные результаты по каждому из выделенных факторов представлены в табл. 3.

Из табл. 3 видно, что, в целом, остатки 76% моделей имеют нормальный закон распределения, что, является, в известной мере, подтверждением, возможности описания связей между выделенными факторами линейных моделей. В тоже время необходимо отметить, что остатки более половины (59%) возможных моделей вида:

имеют закон распределения, отличный от нормального. Это, вообще говоря, свидетельствует о недостаточно высоком в рассматриваемом случае качестве линейных математических моделей и необходимости использования более сложных математических моделей.

Результаты исследования законов распределения рядов остатков Определяющий фактор В связи с тем, что на сегодняшний день отсутствуют теоретические обоснования и рекомендаций по выбору тех или иных функциональных зависимостей между выделенными факторами в качестве базового метода нами выбран МГУА, разработанный А.Г. Ивахненко [2] для построения математических моделей сложных многофакторных процессов, не имеющих теоретического описания.

При реализации многорядного алгоритма МГУА:

1. На первом ряде в соответствие с вычислительной процедурой метода наименьших квадратов (МНК) вычислялись коэффициенты следующих полиномов:

2. В каждой точке ( X 1,k, X 2,k, X 3,k ), k = 1,68 вычислялись значения аппроксимирующих полиномов y1,k, y2,k, y3,k.

3. Вычислялись дисперсии остатков каждого из полиномов первого уровня.

4. Выбраны для построения полиномов второго уровня полиномы y2, y3, имеющие наименьшую дисперсию.

5. На втором ряде в соответствие с вычислительной процедурой МНК вычислялись коэффициенты полинома:

6. В каждой точке ( X 1,k, X 2,k, X 3,k ), k = 1,68 вычислялись значения аппроксимирующего полинома y1,k.

7. Вычислялась дисперсия остатков полинома второго уровня, которая сравнивалась с дисперсией полиномов первого уровня. При этом оказалось, что для всех рассмотренных моделей, дисперсия при переходе от полиномов первого уровня к полиномам второго уровня практически не меняется. В этой связи построение полиномов более высоких уровней не проводилось.

Для количественного сравнения качества линейных и нелинейных математических моделей (табл. 4) для каждой из следующих классов моделей, обозначаемых далее для краткости названием зависимого фактора:

где в линейном случае F функция вида: F ( x1, x2, x3 ) = a0 + a1 x1 + a2 x2 + a3 x3, а в нелинейном случае F полином второго уровня, коэффициенты которого вычисляются в соответствие с описанным выше алгоритмом:

1. Вычислены дисперсии остатков линейных и нелинейных моделей D1 j, D 2 j, j = 1, 2,..., 2340, соответственно, и проведено их сравнение.

2. Проведены с помощью критериев 2 и Фишера проверки на нормальность распределений остатков.

3. Вычислены коэффициенты детерминации линейных и нелинейных моделей R1 j, R 2 j, j = 1, 2,..., 2340, соответственно, и проведено их сравнение.

Результаты сравнительного анализа свойств остатков линейных и нелинейных моделей представлены в табл. 4, из которой видно, что при использовании нелинейных математических моделей, построенных с помощью МГУА, качество моделей оказывается лучшим по сравнению с линейными моделями, в том числе:

1. У всех нелинейных математических моделей первого и третьего классов дисперсии рядов остатков D оказываются меньше аналогичных величин у линейных математических моделей, а коэффициенты детерминации R, соответственно, больше.

2. Из 2340 нелинейных математических моделей второго класса у 2330 моделей (99,53%) дисперсии рядов остатков D оказываются меньше аналогичных величин для линейных математических моделей, а коэффициенты детерминации R, соответственно, больше.

3. Из 2340 нелинейных математических моделей четвертого класса у моделей (99,86%) дисперсии рядов остатков D оказываются меньше аналогичных величин для линейных математических моделей, а коэффициенты детерминации R, соответственно, больше.

4. У нелинейных математических моделей в сравнении с линейными математическими моделями оказывается больше количество моделей, остатки которых имеют нормальный закон распределения: на 14%, 39%, 3%, 9% для моделей первого, второго, третьего и четвертого классов, соответственно.

Результаты сравнительного анализа остатков линейных (M1) не линейных Таким образом, полученные результаты свидетельствуют, что вопреки традиционным рекомендациям использовать для описания связей между факторами линейных математических моделей, в рассматриваемом случае использование нелинейных математических моделей, построенных с помощью МГУА, обеспечивает более высокое качество аппроксимации анализируемых данных.

Далее описана разработанная автором компьютерная программа, в которой реализовано построение линейных математических моделей и нелинейных математических моделей, построенных на основе МГУА, оценка доверительных интервалов коэффициентов регрессии и анализ статистических свойств остатков математических моделей.

Интерфейс главного окна рабочей программы представлен на рис. 1.

Третья глава содержит изложение результатов анализа свойств временных рядов, содержащих значения ТП. Здесь в качестве объекта исследования было выбрано по одному определяющему ТП, вошедшему в каждый из выделенных в предыдущей главе факторов (рис. 2).

Анализ результатов спектрального анализа ТП показал, что в спектрах рассматриваемых временных рядов присутствуют спектральные составляющие, которые с технологической точки зрения являются артефактами. В этой связи проведена экспериментальная проверка возможности использования для анализа временных рядов, содержащих значения ТП, метода SSA [3], который в отличие от классических и параметрических методов спектрального анализа не требует предположения о стационарности анализируемого временного ряда.

Результаты обработки временных рядов ТП методом SSA, представленных на рис. 2, приведены в табл. 5.

Рис. 2. Зависимость среднемесячных значений показателей от времени:

Полученные результаты с технологической точки зрения объясняются следующим образом. Для ТП № 1 (табл. 5) существенный вес имеет тренд, определяемый возрастанием выработки электроэнергии на ГРЭС, что характерно в последние годы практически для всех станций России. Стремление тренда к горизонтальной асимптоте можно объяснить исчерпанием возможностей ГРЭС по выработке энергии в части ограничения использования установленных мощностей. Периодические компоненты – квартал, полугодие, год – объясняются стандартным годовым графиком электрических нагрузок энергоблоков.

Для показателя № 2 значительный вес тренда определяется возрастанием отпуска теплоты с паром потребителям, что связано с возобновлением в рассматриваемый период деятельности предприятия, потребляющего пар от ГРЭС.

Квартальная и годовая циклические компоненты определяются периодическим характером отопления зданий и помещений ГРЭС, которое (отопление) осуществляется анализируемым энергоблоком. Наличие выделенной при анализе 2годовой компоненты может быть связано малой длительностью анализируемого периода (68 месяцев) и началом именно в этот период отпуска теплоты с паром от энергоблока потребителю. Необходимо дополнительное обоснование данной компоненты на более длительном временном интервале.

Для показателя № 3 существенным является отсутствие трендовой компоненты. Температура охлаждающей воды на входе в конденсатор соответствует температуре воды в водоеме ГРЭС, которая зависит, естественно, от температуры наружного воздуха. Распределение весов компонент траектории для этого параметра достаточно обосновано и объясняется температурным графиком г. Сургута.

В траектории показателя № 4, характеризующего состояние одного из элементов оборудования энергоблока, вес тренда очень велик (99,816). Периодические составляющие тренда настолько малы, что существование этих особенностей может объясняться как погрешностями определения (измерений, расчетов и обработки) данного показателя, так и другими факторами, влияние которых выделить затруднительно.

Траектории параметров, выделенных по результатам факторного анализа ТП Выработка электроэнергии блоком Отпуск тепла внешнему потребителю Температура охлаждающей воды на входе в конденсатор Содержание кислорода в уходящих газах Таким образом, результаты анализа рассматриваемых временных рядов методом SSA, в отличие от классических методов спектрального оценивания, имеют однозначную трактовку и не противоречат экспертному и термодинамическому представлениям о механизмах работы ТЭС.

В четвертой главе изучены особенности прогнозирования временных рядов, содержащих последовательные среднемесячные значения ТП. Здесь, как и в предыдущей главе, в качестве объекта исследования были выбраны по одному определяющему ТП, вошедшему в каждый из выделенных в предыдущей главе факторов (рис. 2).

Анализ результатов прогнозирования рассматриваемых временных рядов (рис. 3) показал, что результаты прогноза, полученные с помощью методов АРПСС и экспоненциального сглаживания, недостаточно точно учитывают особенности временных рядов, что, с нашей точки зрения, объясняется их нестационарностью.

В этой связи проведено исследование возможности использования для прогнозирования рассматриваемых временных рядов метода SSA [4]. Согласно алгоритму прогнозирования SSA прогнозируемые значения временного ряда оказываются зависящими от следующих параметров: S – точки начала прогноза, I – набора собственных троек, M – длины R-прогноза, L – размера окна.

Наличие в алгоритме параметров, от выбора значений которых, как можно полагать априори, будет зависеть качество прогноза, требует дополнительных рекомендаций, которые приводятся в [4]. Однако анализ рекомендаций по вопросам выбора ряда внутренних параметров метода SSA, влияющих на качество прогноза, степени влияния параметров метода на качество и дальность прогноза показал, что требуются дополнительные исследования, в ходе которых автор провел анализ:

1. влияния параметров метода SSA на качество прогноза;

2. влияния длины временного ряда на состав главных компонент (ГК);

3. связи между длиной интервала прогнозирования и свойствами временного ряда;

4. влияния ГК с максимальной дисперсий на качество прогноза.

В ходе исследования особенностей прогнозирования ТП методом SSA автор разработал:

1. Алгоритм анализа влияния длины временного ряда на устойчивость состава ГК, блок-схема которого представлена на рис. 4.

2. Алгоритм выбора дальности интервала прогнозирования, блок-схема которого представлена на рис. 5.

5. Алгоритм прогнозирования, блок-схема которого представлена на рис. 6.

Результаты проведенного автором анализа влияния длины временного ряда на устойчивость состава ГК, выбора длины интервала прогнозирования и влияния ГК с максимальной дисперсией на прогноз позволили сделать следующие выводы:

1. Для большинства рассмотренных временных рядов состав ГК оказывается зависимым от длины временного ряда, т.е. неустойчивым.

2. В качестве длительности интервала прогноза следует выбирать максимальную длину, на которой состав ГК опорного временного ряда совпадет с составом ГК ряда T ( k ).

3. При прогнозировании следует учитывать, что с увеличением числа прогнозных значений влияние ГК с наибольшей дисперсией возрастает и определяет форму временного ряда.

4. Наилучшее восстановление ряда достигается при выборе всех ГК ряда.

д-з – прогнозирование методом экспоненциального сглаживания;

1 – исходный ряд; 2 – прогноз; 3 – границы доверительного интервала;

Рис. 4. Алгоритм анализа влияния Рис. 5. Алгоритм выбора дальности длины временного ряда на устойчи- интервала прогнозирования Рекомендации авторов метода SSA и описанные выше результаты, полученные автором диссертационного исследования, были учтены при разработке компьютерной программы, реализующей прогнозирование методом SSA с автоматическим определением параметров метода. Результаты ее использования для прогнозирования временных рядов, представленных на рис. 2, приведены на рис.

Рис. 7. Результаты прогнозирования с учетом выявленных особенностей метода SSA: а – показатель SA00E001; б – показатель UP22Q801; в – показатель Для количественной оценки качества прогноза был проведен анализ дисперсий ряда остатков прогнозных и исходных значений. Его результаты представлены в табл. 6. Из табл. 6 видно, что метод прогнозирования SSA, с учетом выявленных особенностей, по ряду показателей уступает классическим методам прогнозирования. Однако в отличие от классических методов прогнозирования метод SSA позволяет учитывать локальные особенности временных рядов ТП.

Также следует отметить еще одну важную особенность: при прогнозировании классическими методами от технологов СГРЭС-1 потребовались бы значительные усилия для подбора оптимальных параметров методов. В тоже время для прогнозирования ТП методом SSA с использованием алгоритма представленного на рис. 6 от технологов не требуется никаких знаний о прогнозируемом ряде и оказывается достаточным выбрать ряд и указать число точек прогноза.

Далее все остальные параметры, используемые в методе SSA, разработанной автором программой будут определены автоматически.

Результаты анализа дисперсий ряда остатков Метод прогнозирова- SA00E001 UP22Q801 VC02T001 NR00FS В связи с этим использование «автоматизированного» метода прогнозирования SSA представляется более эффективным для оперативного построения предварительных прогнозов, а для более детальных прогнозов необходимо использовать более сложные методы прогнозирования, требующие знаний о природе прогнозируемом ряде.

5. Анализ современного состояния систем сбора ТИ электроэнергетической отрасли и методов анализа ТП.

6. Анализ особенностей базы данных ТП Сургутской ГРЭС-1 в период с по 2007 гг.

7. Исследование возможности уменьшения размерности пространства ТИ и построения в пространстве меньшей размерности математических моделей, описывающих взаимосвязи между ТП.

8. Исследование методов анализа и прогнозирования временных рядов, содержащих значения ТП ТЭС.

Основные результаты диссертационной работы 1. Проведен анализ современного состояния ИС, осуществляющих сбор и обработку ТП ТЭС. Его результаты показали, что в современных условиях задача построения подобных систем не вызывает принципиальных трудностей, в тоже время подходы и методы, применяемые при решении задач обработки собираемой ТИ, визуализации и интерпретации результатов, а также задачи прогнозирования значений ТП, не соответствуют современному состоянию методов обработки информации.

2. Проведен анализ базы данных, содержащей значения ТП Сургутской ГРЭС-1, и обоснован выбор массива ТП, использованного в дальнейших исследованиях.

3. Выполнен факторный анализ выбранного массива ТП, результаты которого показывают возможность редукции 46-мерного признакового пространства в 4-мерное факторное пространство, в котором для описания взаимосвязей между ТП целесообразно использовать нелинейные математические моделей, построенные на основе МГУА.

4. На основе анализа экспериментальных данных обоснована целесообразность использования для анализа временных рядов, содержащих значения ТП, метода SSA, который в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности. При этом результаты анализа ТП методом SSA, в отличие от классических методов спектрального оценивания, имеют однозначную трактовку и не противоречат экспертным представлениям о механизмах работы ТЭС.

5. На основе анализа экспериментальных данных обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода SSA, который в отличие от методов АРПСС и экспоненциального сглаживания позволяет более точно учесть локальные особенности изучаемых временных рядов.

6. Усовершенствован метод SSA за счет разработки алгоритма автоматизированного выбора внутренних параметров метода, при прогнозировании прогнозирования временных рядов, содержащих значения ТП.

7. Созданы следующие компьютерные программы:

Программа для построения линейных и нелинейных математических моделей, описывающих связи между ТП в 4-х мерном факторном пространстве, анализа статистических свойств остатков математических моделей, оценки доверительных интервалов, коэффициентов регрессии и анализа статистических свойств остатков.

Программа для прогнозирования временных рядов ТП, реализующая усовершенствованный метод SSA.

Статьи, опубликованные в журналах из списка ВАК 1. Соломаха И.В. Применение метода SSA для анализа технологической информации, собираемой информационным комплексом ТЭЦ [Текст] / И.В. Соломаха, К.Э. Аронсон, С.В. Поршнев // Известия Томского политехнического университета. 2008. – Т. 313, № 5. – С. 161-168.

2. Соломаха И.В. Исследование особенностей прогнозирования временных рядов с помощью метода главных компонент: анализ устойчивости состава главных компонент при изменении длины временного ряда [Текст] / И.В. Соломаха, К.Э. Аронсон, С.В. Поршнев // Естественные и технические науки. 2009. №4(42). – С. 416-425.

3. Соломаха И.В. Анализ технологической информации собираемой АСУТП теплоэлектростанции / И.В. Соломаха // Одиннадцатая Всероссийская студенческая научно-техническая Интернет-конференция (Информатика и управление в технических системах) [Электронный ресурс]. Режим доступа:

http://webconf.rtf.ustu.ru/course/view.php?id=29 – (09.01.08).

4. Соломаха И.В. Опыт анализа технологической информации, собираемой на тепловых электрических станциях [Текст] / И.В. Соломаха, К.Э. Аронсон, С.В. Поршнев // Научные труды международной научно-практической «СВЯЗЬПРОМ 2008» в 5-го Евро-Азиатского форума «СВЯЗЬПРОМЭКСПО 2008». – Екатеринбург : ЗАО «Компания РеалМедиа», 2008. – C. 2932.

5. Соломаха И.В. Применение метода SSA для анализа технологической информации, собираемой информационным комплексом ТЭЦ [Текст] / И.В. Соломаха, К.Э. Аронсон, С.В. Поршнев // Новые информационные технологии в исследовании сложных структур: Тезисы докладов Седьмой Российской конференции с международным участием. – Томск : Изд-во НТЛ, 2008. – С. 23.

6. Соломаха И.В Прогнозирование методом главных компонент. Проблемы выбора начальных данных для построения прогноза [Текст] / И.В. Соломаха, С.В. Поршнев // Научные труды международной научно-практической конференции «СВЯЗЬ-ПРОМ 2009» в рамках 6-го Международного форума «СВЯЗЬПРОМЭКСПО 2009», посвященного 150-летию со дня рождения изобретателя радио А.С. Попова. – Екатеринбург : УрТИСИ ГОУ ВПО «СибГУТИ», 2009. – С. 7577.

Свидетельства о регистрации электронного ресурса 7. Соломаха И.В. Компьютерная программа для построения линейных многомерных моделей ТЭП// Свидетельство об отраслевой регистрации № в отраслевом фонде электронных ресурсов науки и образования (госрегистрация № 50200901208 от 10.12.2009).

8. Соломаха И.В. Компьютерная программа для прогнозирования временных рядов ТЭП// Свидетельство об отраслевой регистрации № 15101 в отраслевом фонде электронных ресурсов науки и образования (госрегистрация № 50200901209 от 10.12.2009).

1. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности [Текст] / С.А. Айвазян [и др.]. – М. : Финансы и статистика, 1989. – 608 с.

2. Главные компоненты временных рядов: метод Гусеница [Текст] / под ред.

Д.Л. Данилова и А.А. Жиглявского. – СПб. : СПбГУ, 1997. – 307 с.

3. Голяндина Н.Э. Метод «Гусеница»-SSA: анализ временных рядов [Текст] :

учеб. пособие. – СПб. : Изд–во СПбГУ, 2004. – 76 с.

4. Голяндина Н.Э. Метод «Гусеница»–SSA: прогноз временных рядов [Текст] : учеб. пособие / Н.Э. Голяндина. – СПб. : Изд–во СПбГУ, 2004. – 52 с.

Печать офсетная. Усл. печ. л. 1,0. Уч.-изд. л. 1,2.



 


Похожие работы:

«СЕДЫХ МИХАИЛ ИВАНОВИЧ Повышение эффективности автоматизированных механообрабатывающих участков серийного производства путем рационального построения приемо-сдаточных секций Специальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (технические системы) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва 2007 2 Работа выполнена в ГОУ ВПО Московском государственном технологическом университете Станкин...»

«Каграманянц Виктор Александрович РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ПОВЫШЕННОЙ КОМПРЕССИИ АУДИОСИГНАЛОВ, ЗАКОДИРОВАННЫХ НА ОСНОВЕ ОПТИМИЗИРОВАННЫХ ДЕЛЬТА-ПРЕОБРАЗОВАНИЙ ВТОРОГО ПОРЯДКА Специальность: 05.13.17 – Теоретические основы информатики АВТОРЕФЕРАТ диссертации на соискание ученой степени...»

«НИКИШОВА Арина Валерьевна МНОГОАГЕНТНАЯ СИСТЕМА ОБНАРУЖЕНИЯ АТАК НА ИНФОРМАЦИОННУЮ СИСТЕМУ ПРЕДПРИЯТИЯ Специальность 05.13.19 – Методы и системы защиты информации, информационная безопасность АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Волгоград – 2013 2 Работа выполнена на кафедре информационной безопасности Федерального государственного автономного образовательного учреждения высшего профессионального образования Волгоградский...»

«НАЗАРЕНКО КИРИЛЛ МИХАЙЛОВИЧ МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И МЕТОДЫ ОЦЕНИВАНИЯ РИСКОВ ИНВЕСТИРОВАНИЯ В ФИНАНСОВЫЕ АКТИВЫ С ВЫСОКОЙ ВОЛАТИЛЬНОСТЬЮ Специальность 05.13.18 – математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Москва – 2009 Работа выполнена в ГОУ ВПО Московском государственном технологическом университете СТАНКИН Научный руководитель : доктор...»

«ЗАГРЕБНЕВА Анна Дмитриевна СТРУКТУРООБРАЗОВАНИЕ В ПОПУЛЯЦИОННЫХ СИСТЕМАХ, ОБУСЛОВЛЕННОЕ ЯВЛЕНИЕМ ТАКСИСА 05.13.18 – математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Ростов-на-Дону 2010 Работа выполнена в отделе математических методов в экономике и экологии НИИ механики и прикладной математики им. Воровича И.И. Южного федерального университета, г. Ростов-на-Дону Научный...»

«Куприянов Алексей Вячеславович Информационная поддержка оснащения химико-технологическим оборудованием научных проектов. 05.13.01 – Системный анализ, управление и обработка информации (химическая технология) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва 2006 г. 2 Работа выполнена на кафедре информационных технологий Московской Государственной Академии...»

«Усков Александр Владимирович МЕТОДЫ ИСПОЛЬЗОВАНИЯ ВИРТУАЛЬНЫХ ЗАЩИЩЕННЫХ ТУННЕЛЕЙ VPN И СТРИММИНГ ТЕХНОЛОГИЙ В КОРПОРАТИВНЫХ ОБРАЗОВАТЕЛЬНЫХ СЕТЯХ 05.13.19 – Защита информации, информационная безопасность 05.13.13 – Телекоммуникационные системы и компьютерные сети АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Москва - 2008 2 Работа выполнена в Федеральном государственном учреждении “Государственный научно-исследовательский институт...»

«Жуков Анзор Людинович МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ХАРАКТЕРИСТИК СНЕЖНОГО ПОКРОВА НА ОСНОВЕ МЕТОДА ГРАНУЛЯЦИИ Специальность: 05.13.18 – Математическое моделирование, численные методы и комплексы программ, АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Таганрог – 2012 Работа выполнена в Федеральном государственном автономном образовательном учреждении высшего профессионального образования Южный федеральный университет. Научный...»

«ПОЙДА Алексей Анатольевич  ПОИСК СЦЕНАРИЕВ СОБЫТИЙ НА ГРИДЕ ИСТОЧНИКОВ  ДАННЫХ ОБ ОКРУЖАЮЩЕЙ СРЕДЕ  Специальность 05.13.11 – математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук   Москва – 2009 Работа выполнена на кафедре системного программирования факультета вычислительной математики и...»

«Бегляров Вадим Валерьевич РАЗРАБОТКА И ИССЛЕДОВАНИЕ ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ ДЛЯ МОДЕЛИРОВАНИЯ СХЕМОТЕХНИЧЕСКИХ РЕШЕНИЙ Специальность 05.13.12 – Системы автоматизации проектирования (вычислительная техника и информатика) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Таганрог – 2013 Работа выполнена на кафедре Информационные системы и радиотехника Южно-Российского государственного университета экономики и сервиса Научный руководитель : Берза...»

«Маланова Татьяна Валерьевна АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ АВТОМАТИЧЕСКОЙ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ СИСТЕМ С ШИРОТНО-ИМПУЛЬСНОЙ МОДУЛЯЦИЕЙ Специальность 05.13.01 – Системный анализ, управление и обработка информации (промышленность) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Иркутск – 2010 Работа выполнена на кафедре информатики Иркутского государственного лингвистического университета (ИГЛУ) Научный руководитель : доктор технических наук,...»

«Жегуло Ольга Анатольевна ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ НЕПРОЦЕДУРНЫХ ПРЕОБРАЗОВАНИЙ ПРОГРАММ ДЛЯ ПОСТРОЕНИЯ РАСШИРЯЕМОЙ СИСТЕМЫ РАСПАРАЛЛЕЛИВАНИЯ 05.13.11 — Математическое и программное обеспечение вычислительных машин, комплексов, систем и сетей АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук Ростов-на-Дону – 2007 3 Работа выполнена на кафедре информатики и вычислительного эксперимента факультета математики, механики и компьютерных наук Южного...»

«Мкртичян Вячеслав Виталиевич МОДЕЛЬ ЗАЩИТЫ ДАННЫХ ОТ НЕСАНКЦИОНИРОВАННОГО КОПИРОВАНИЯ, ОСНОВАННАЯ НА МЕТОДЕ НАБОРНЫХ КЛЮЧЕЙ И ПОМЕХОУСТОЙЧИВОМ КОДИРОВАНИИ, С ПРОТИВОДЕЙСТВИЕМ УГРОЗАМ КОАЛИЦИОННЫХ АТАК НА КЛЮЧИ 05.13.19 - Методы и системы защиты информации, информационная безопасность АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук г. Ростов-на-Дону – 2009 Работа выполнена на кафедре алгебры и дискретной математики факультета математики, механики...»

«Галушка Василий Викторович МЕТОД И СРЕДСТВА ВЕРИФИКАЦИИ БАЗ ДАННЫХ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ Специальность 05.13.11 — Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей Автореферат диссертации на соискание ученой степени кандидата технических наук Ростов-на-Дону — 2013 Работа выполнена на кафедре Вычислительные системы и информационная безопасность ФГБОУ ВПО Донской государственный технический университет (ДГТУ). НАУЧНЫЙ...»

«СКИНДЕРЕВ Сергей Александрович Математическое моделирование аукциона с наведенными заявками для лабораторных проектных игр Специальность 05.13.18 - математическое моделирование, численные методы и комплексы программ Автореферат диссертации на соискание учёной степени кандидата физико-математических наук Москва – 2013 Работа выполнена в отделе математического моделирования экономических систем Федерального государственного бюджетного учреждения науки Вычислительный центр им....»

«Ефремова Наталья Эрнестовна МЕТОДЫ И ПРОГРАММНЫЕ СРЕДСТВА ИЗВЛЕЧЕНИЯ ТЕРМИНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ ИЗ НАУЧНО-ТЕХНИЧЕСКИХ ТЕКСТОВ 05.13.11 – математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Москва – 2013 Работа выполнена на кафедре алгоритмических языков факультета вычислительной...»

«Романова Екатерина Юрьевна МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ СТРУКТУРЫ И ПРОЦЕССОВ ВЗАИМОДЕЙСТВИЯ ЭЛЕКТРОМАГНИТНОГО ИЗЛУЧЕНИЯ С НЕКОТОРЫМИ ТИПАМИ МЕЗО- И НАНООБЪЕКТОВ Специальности: 05.13.18 – Математическое моделирование, численные методы и комплексы программ 02.00.04 – Физическая химия АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата физико-математических наук Москва 2007 2 Работа выполнена в ГОУ ВПО Московском государственном технологическом университете СТАНКИН...»

«Жиркова Елизавета Юрьевна СОВЕРШЕНСТВОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ЭФФЕКТИВНОСТЬЮ РАЗВИТИЯ ГИДРОМЕЛИОРАТИВНЫХ КОМПЛЕКСОВ 05.13.10 – Управление в социальных и экономических системах (экономические наук и) АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук Ростов-на-Дону – 2008 Диссертационная работа выполнена в ГОУ ВПО Южно-Российский государственный технический университет (Новочеркасский политехнический институт) на кафедре Государственное и...»

«Бабин Михаил Александрович Модели, методы и комплексы программ построения зависимостей, основанные на решетках замкнутых множеств Специальность 05.13.18 Математическое моделирование, численные методы и комплексы программ АВТОРЕФЕРАТ диссертации на соискание учной степени е кандидата физико-математических наук Москва — 2012 Работа выполнена в Национальном исследовательском университете Высшая школа экономики (НИУ ВШЭ). Научный руководитель : доктор физико-математических наук...»

«ЖИТКОВА ЕКАТЕРИНА МИХАЙЛОВНА ЗАДАЧИ ОПТИМИЗАЦИИ ПРОТИВОЭПИДЕМИЧЕСКОЙ ПРОФИЛАКТИКИ С УЧЕТОМ ОСОБЕННОСТЕЙ СЕЗОННЫХ ПОДЪЕМОВ ЗАБОЛЕВАЕМОСТИ ОРВИ 05.13.18 – Математическое моделирование, численные методы и комплексы программ Автореферат диссертации на соискание ученой степени кандидата физико-математических наук Санкт-Петербург – 2009 Работа выполнена на кафедре управления медико-биологическими системами факультета прикладной...»








 
© 2013 www.diss.seluk.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Методички, учебные программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.