Библиографический список

1. Балаков, Ю.Н. Проектирование схем электроустановок: Учеб. пособие для вузов / Ю. Н. Балаков, М. Ш. Мисриханов, А. В. Шунтов. – М. : Издательство МЭИ, 2004, 2006, 2009.

2. Абакумова, Л. Ф. Основы САПР: учеб. пособие к выполнению лаб. работ / Л. Ф. Абакумова, О. В. Терентьев; под ред. С. А. Петрищева. – Челябинск: Изд-во ЮУрГУ, 2007. – 54 с.

3. Гольдберг, О.Д. Инженерное проектирование и САПР электрических машин: учебник / О. Д. Гольдберг, И. С. Свириденко; под ред. О. Д. Гольдберга. – М.: Академия, 2008. – 559 с.

4. Булатов, Б.Г. САПР и модели оптимального развития энергосистем: учеб. пособие по курсовому проектированию / Б.Г. Булатов. – Челябинск: Изд-во ЮУрГУ, 2004. – 46 с.

5. Булатов, Б.Г. САПР и модели оптимального развития энергосистем: Программа и методические указания для студентов-заочников / Б.Г. Булатов. – Челябинск: Изд-во ЮУрГУ, 2002. – 24 с.

6. Вентцель, Е.С. Исследование операций: задачи, принципы, методология / Е.С. Вентцель. – 2-е изд., стер. – М.: Наука, 1980. – 208 с.

7. Булатов, Б.Г. Модели оптимального развития и САПР: Конспект лекций (эл) – ЮУрГУ, 2011.

Содержание

УДК 621.311(07) 2

Издательский центр ЮУрГУ, 2013 2

ВВЕДЕНИЕ 3

1. МЕТОДЫ ПРИНЯТИЯ ОПТИМАЛЬНЫХ РЕШЕНИЙ 8

1.1. Свойства больших систем 8

1.2. Математическое программирование 11

1.2.1. Линейное программирование 11

1.2.2. Нелинейное программирование 12

1.3 Интеллектуальные методы 13

Оптимизационные задачи в технических системах имеют ряд характерных особенностей, среди которых большая размерность задач, дискретность переменных, большое количество ограничений, возможное наличие локальных экстремумов целевой функции, наличие элементов логики, неопределённость исходной информации. Эти и другие особенности решаемых задач затрудняют применение традиционных методов оптимизации (линейного и нелинейного программирования, а также методов простого перебора). 13

Для решения таких задач стали применяться методы поиска оптимальных решений, основанные на моделировании различных естественных процессов. Наибольшую известность среди таких методов получили генетический алгоритм и искусственные нейронные сети (ИНС). Характерной чертой всех подобных методов является направленность поиска решения, в таких алгоритмах перебираются не все возможные варианты, а только варианты в направлении приближения к оптимуму. 13

Такие методы поиска оптимальных решений лежат в основе современных систем искусственного интеллекта. 14

1.3.1. Генетический алгоритм 14

Из формальных нейронов можно составлять сети, соединяя их друг с другом. Теоретически, архитектура сети может быть любой, однако, самым простым видом сети является однослойная нейронная сеть (рис. 1.7). Нейроны изображены в форме квадратов. 20

1.4. Методы прогнозирования 21

1.5. Метод наименьших квадратов 25

1.6. Корреляционный анализ 28

1.7. Многомерный корреляционный анализ 31

1.8 Прогнозирование графиков нагрузок с применением ИНС 33

Одной из задач управления режимами энергосистем на ближайшую перспективу, измеряемую часами, сутками, неделями, является прогнозирование графика потребления. Для этой цели используются архивные данные, которые формируются на основе телеметрии по фактическим параметрам прошедших режимов. На серверах оперативно-информационных комплексов хранятся ретроспективные данные за период, измеряемый годами. 33

Для определения входных переменных нейронной сети при решении задач прогнозирования нагрузки используется модель, описывающая изменение во времени фактических значений нагрузки, которая представляется нелинейной функцией: 33

, (1.37) 34

где P_t – фактическая нагрузка системы в момент времени t; t – текущее время на момент прогноза; P_t−n– предшествующие наблюдения нагрузки; Н_t−n –предшествующие наблюдения внешних факторов (температуры окружающей среды, влажности, ветра), влияющих на нагрузку; n – глубина ретроспекции. 34

На основании выражения (1.37) первой переменной, которая должна быть использована в качестве входа, является сама нагрузка. Например, для суточного графика при часовом разрезе число входов будет равно 24. Вопрос учета числа и состава предшествующих наблюдений нагрузки, как и учета внешних факторов, в каждой задаче решается по-своему. Второй входной переменной, как правило, должна быть температура окружающей среды, влияющая на уровень потребления. В большинстве случаев других параметров погодных условий, как правило, в наличии попросту нет. Кроме того, в качестве входных переменных могут быть использованы параметры, связанные с сезоном года, например, долгота дня, или социальные факторы, например, рабочий или праздничный день, день недели и т.п. 34

Выходной слой в этой задаче должен содержать 24 нейрона. Обученная ИНС может использоваться для целей прогнозирования длительное время, пока результаты прогноза будут подтверждаться с приемлемой точностью. 34

2. ОПТИМИЗАЦИОННЫЕ МОДЕЛИ ПЛАНИРОВАНИЯ РАЗВИТИЯ 34

2.1. Линейная модель планирования развития производства 36

2.2. Линейная модель планирования развития ТЭХ промышленного предприятия 37

2.3. Учет затрат в ЛЭП 40

2.4. Линейная оптимизационная динамическая модель выбора структуры генерирующих мощностей и ЛЭП энергосистемы 42

2.5. Применение динамического программирования для выбора площадок 49

2.6. Оптимизация в условиях вероятностно-определенной информации 52

2.8. Выбор оптимальных планов развития электрической сети 55

2.8.1. Общие положения 55

2.8.2. Экономические интервалы 59

2.8.3. Математическая модель планирования развития сети 60

2.8.4. Применение градиентных методов 62

2.8.5. Метод покоординатной оптимизации 65

2.8.6. Метод «ветвей и границ» (МВГ) для выбора оптимальной распределительной сети 70

2.9. Учет надежности и экологии 76

2.10 Планирование развития малой генерации 76

3. СИСТЕМЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ (САПР) 82

3.3. Техническое обеспечение 93

3.4. Программное обеспечение 96

3.5. Информационное обеспечение 98

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 102

СОДЕРЖАНИЕ 103

105