Главная Автобиография Реферат Библиотека Ссылки Отчёт о поиске Индивидуальное задание Контакты

Тема: "Разработка компьютеризированной подсистемы анализа и прогнозирования потребления энергоресурсов"

1. Введение. Обоснование актуальности темы

Обострение конкурентной борьбы в условиях постоянного роста цен на сырье, транспорт, энергоресурсы вынуждает предприятия постоянно поддерживать на достаточном уровне рентабельность производства. На практике существует множество способов снижения производственных затрат. Эта работа посвящена одному из них, а именно, снижению доли затрат на энергоресурсы в выпускаемой продукции. Ни для кого не секрет, что этот вид издержек производства составляет почти четверть себестоимости большинства товаров и услуг.

Затраты на энергоресурсы - одна из основных расходных статей в бюджете любого промышленного предприятия. Поэтому получение полной картины расхода всех видов энергии, возможность анализа этой информации, прогнозирование и управление потреблением энергоресурсов на всех этапах производства имеет стратегическое значение.

Эффективность использования энергетических ресурсов влияет на рентабельность работы предприятия, являясь одним из рычагов управления его конкурентоспособностью.

Это аксиома, которую знает каждый руководитель. Однако, на сегодняшний день, не на многих предприятиях внедрены и используются средства эффективного учета и управления энергоресурсами. Причин несколько – нехватка денег, другие приоритеты, а иногда просто непонимание важности данного вопроса. Но жизнь берёт своё и факты говорят о многом. На тех предприятиях, где существуют и эффективно работают автоматизированные системы учёта и анализа теплоэнергоресурсов (АСУАТЭР), доля затрат на энергоносители существенно снижается. Снижается не сама по себе, ведь АСУАТЭР – только инструмент, при грамотной работе с которым достигается поставленная цель.

2. Цели и задачи работы

Информационно-аналитическая система (ИАС) "Учет и анализ потребления ТЭР" предназначена для автоматизации учета и анализа фактического потребления ТЭР, финансовых показателей по оплате энергоресурсов, расчетов нормативного потребления, а также информационной поддержки руководства предприятия при решении текущих задач управления энергопотреблением и формировании лимитов.

Необходимым условием обеспечения эффективной работы системы является  автоматизация процесса сбора данных о потреблении и оплате энергии.

Информация, накапливаемая в базах данных системы, может эффективно применяться для решения аналитических задач и поддержки принятия решений по управлению предприятием.

Основной целью создания и внедрения ИАС является автоматизация задач учёта и анализа потребления ТЭР, лимитирования ТЭР, энергосбережения и экономии материальных средств на предприятии.

Общую концепцию системы отражает рис. 1.

Рис. 1. Общая концепция ИАС

3. Предполагаемая научная новизна

В процессе изучения вопроса потребления энергоресурсов необходимо установить зависимости потребления от различных параметров (сезонность, стоимость и др.). Установить как именно они корелируют с потреблением и обеспечить реализацию полученной модели в программном продукте. Также необходимо решить задачу: какие именно методы анализа и прогнозирования наиболее оптимальны при полученной модели.

4. Предполагаемая практическая ценность

В ходе выполнения магистерской работы, предполагается, что будет обеспечена следующая ценность для предприятия:

1. Сбор первичной информации от цехов о фактическом потреблении всех видов ТЭР. Расчет баланса потребления/оплаты ТЭР.
2. Ведение (хранение, актуализация информации) баз данных для хранения фактов (показателей) по потреблению, оплате ТЭР и прочим тематическим разделам статистической информации.
3. Расчет энергосберегающих мероприятий и получение оценок их экономической эффективности.
4. Прогнозирование плановых показателей потребления ТЭР с учетом расчетных значений нормативных показателей и прогнозируемых значений внешних влияющих факторов.
5. Поддержка принятия решений по назначению лимитов для цехов, оптимизация распределения лимитов.
6. Расчет баланса по выполнению плановых показателей потребления ТЭР.
7. Интеграция (получение сводной) информации по всем видам показателей, статистический анализ с целью выявления зависимостей, закономерностей, тенденций и т.д. (Data Mining: кластерный анализ, тренды временных рядов, и т.д.).
8. Создание и развитие моделей, предназначенных для параметрического представления совокупности организаций как объекта управления.
9. Проверка достоверности предоставляемой цехами первичной информации (показателей потребления ТЭР) по информации внешних источников.
10. Выделение (на основе расчетных методик, оперирующих статистическими данными ИАС) "кандидатур" организаций для первоочередного проведения полного энергоаудита.
11. Выполнение комплекса типовых и произвольных задач выборки и представления информации ИАС в цехах, в т.ч. представление информации в виде таблиц, графиков, диаграмм, подготовка отчетной информации в типовой форме, проектирование новых отчетных форм. Документирование результатов всех видов деятельности над информацией ИАС.
12. Связь с внешними информационными системами, интеграция в единую автоматизированную систему Минэнерго.
13. Хранение и предоставление нормативной документации.
14. Публикация и контроль выполнения предписаний руководящих органов.

5. Обзор существующих методов прогнозирования

Процесс построения прогноза складываться из нескольких этапов, последовательность которых в общем случае не всегда однозначна. Однако некоторую логическую линию можно протянуть:

- выбор факторов и прогнозируемого параметра(ов);
- сбор исходных данных;
- предобработка данных;
- визуализация данных;
- выбор вида прогнозной модели;
- выбор адекватных методов оценивания параметров прогнозной модели;
- построение моделей;
- оценка адекватности построенных моделей;
- выбор наилучшей модели;
- построение прогноза;
- мониторинг данных и адаптация модели с учетом новых данных

 Чтобы строить адекватные модели и грамотные прогнозы необходимо:

- теоретическая база
- навык работы в статистическом программном обеспечении
- опыт построения моделей и прогнозов

Любую задачу можно решить несколькими способами. Прогнозирование – не исключение из этого правила. В большинстве ситуаций при разработке модели аналитик вправе применить несколько подходов, и внедрить на практике наиболее эффективный. Для проверки прогностических качеств модели используют процедуру кросс-проверки. Модель строится по выборке с обрезанным «хвостом», а затем сравниваются «хвост» и прогноз. Кроме этого, принято тестировать прогноз на устойчивость путем удаления нескольких наблюдений из исходной выборки. И, наконец, даже получив «хорошую» в смысле качества прогноза модель не следует пренебрегать процедурой мониторинга.

Методы Хольта и Брауна

В середине прошлого века Хольт предложил усовершенствованный метод экспоненциального сглаживания, впоследствии названный его именем. В предложенном алгоритме значения уровня и тренда сглаживаются с помощью экспоненциального сглаживания. Причем параметры сглаживания у них различны. 
 
Здесь первое уравнение описывает сглаженный ряд общего уровня.
Второе уравнение служит для оценки тренда.
Третье уравнение определяет прогноз на p отсчетов по времени вперед.
Постоянные сглаживания в методе Хольта идеологически играют ту же роль, что и постоянная в простом экспоненциальном сглаживании. Подбираются они, например, путем перебора по этим параметрам с каким-то шагом. Можно использовать и менее сложные в смысле количества вычислений алгоритмы. Главное, что всегда можно подобрать такую пару параметров, которая дает большую точность модели на тестовом наборе и затем использовать эту пару параметров при реальном прогнозировании.
Частным случаем метода Хольта является метод Брауна, когда a=ß.

Метод Винтерса

Хотя описанный выше метод Хольта (метод двухпараметрического экспоненциального сглаживания) и не является совсем простым (относительно "наивных" моделей и моделей, основанных на усреднении), он не позволяет учитывать сезонные колебания при прогнозировании. Говоря более аккуратно, этот метод не может их "видеть" в предыстории. Существует расширение метода Хольта до трехпараметрического экспоненциального сглаживания. Этот алгоритм называется методом Винтерса. При этом делается попытка учесть сезонные составляющие в данных. Система уравнений, описывающих метод Винтерса выглядит следующим образом: 

Дробь в первом уравнении служит для исключения сезонности из Y(t). После исключения сезонности алгоритм работает с "чистыми" данными, в которых нет сезонных колебаний. Появляются они уже в самом финальном прогнозе, когда "чистый" прогноз, посчитанный почти по методу Хольта умножается на сезонный коэффициент.

Методы Бокса-Дженкинса (ARIMA)

В середине 90-х годов прошлого века был разработан принципиально новый и достаточно мощный класс алгоритмов для прогнозирования временных рядов. Большую часть работы по исследованию методологии и проверке моделей была проведена двумя статистиками, Г.Е.П. Боксом (G.E.P. Box) и Г.М. Дженкинсом (G.M. Jenkins). С тех пор построение подобных моделей и получение на их основе прогнозов иногда называться методами Бокса-Дженкинса. Более подробно иерархию алгоритмов Бокса-Дженкинса мы рассмотрим чуть ниже, пока же отметим, что в это семейство входит несколько алгоритмов, самым известным и используемым из них является алгоритм ARIMA. Он встроен практически в любой специализированный пакет для прогнозирования. В классическом варианте ARIMA не используются независимые переменные. Модели опираются только на информацию, содержащуюся в предыстории прогнозируемых рядов, что ограничивает возможности алгоритма. В настоящее время в научной литературе часто упоминаются варианты моделей ARIMA, позволяющие учитывать независимые переменные. В данном учебнике мы их рассматривать не будем, ограничившись только общеизвестным классическим вариантом. В отличие от рассмотренных ранее методик прогнозирования временных рядов, в методологии ARIMA не предполагается какой-либо четкой модели для прогнозирования данной временной серии. Задается лишь общий класс моделей, описывающих временной ряд и позволяющих как-то выражать текущее значение переменной через ее предыдущие значения. Затем алгоритм, подстраивая внутренние параметры, сам выбирает наиболее подходящую модель прогнозирования. Как уже отмечалось выше, существует целая иерархия моделей Бокса-Дженкинса. Логически ее можно определить так:

AR(p)+MA(q)->ARMA(p,q)->ARMA(p,q)(P,Q)->ARIMA(p,q,r)(P,Q,R)->...

6. Перечень нерешенных задач

Перед предприятием стоят следующие задачи в отношении политики потребления энергоресурсов:

• максимально уменьшить человеческий фактор в процессе внесения информации в базу данных учетно-аналитической системы;
• максимально уменьшить человеческий фактор в процессе обработки информации;
• максимально увеличить степень информированности как руководства так и персонала о текущем сосотоянии потребления энергоресурсов;
• облегчить работу персонала с документами (обработка, анализ, составление и др.);
• обеспечить максимально достоверный прогноз потребления энергоресурсов в будущем на основе различных методов пргнозирования и анализа и т.д.
  

7. Заключение

Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других.

В случае крупного предприятия, есть смысл разрабатывать собственный программный продукт, максимально учитывающий специфику деятельности данного предприятия. В данном продукте имеет смысл помимо аналитической подсистемы реализовать учётную и др. подсистемы.

8. Перечень ссылок

1. Глаголев А. И. , Демин С. С.

2. Гуртовцев А.И.

3. Коваленко М.В., Махотило К.В.

4. Вороновский Г.К., Клепиков В.Б.

5. Бирюков Е.В., Корнев М.С.

6. Вороновский Г. К.

7. Макоклюев Б.И. (ВНИИЭ), Еч В. Ф. (Университет “Дубна”)

8. Макоклюев Б.И., Антонов. А.В., Набиев Р.Ф. (ОАО ВНИИЭ)

9. Балыхин Г.А., Шленов Ю.В., Сергеев С.К

Примечание: Данный автореферат не является окончательной версией магистерской работы. Полная версия предположительно будет готова в декабре 2006. За полной версией обращайтесь к автору.